Tese Moura

COPPE/UFRJ
DETECC

AO E CLASSIFICAC

AO DE SINAIS DE SONAR PASSIVO USANDO
M
ETODOS DE SEPARAC

AO CEGA DE FONTES
Natanael Nunes de Moura
Tese de Doutorado apresentada ao Programa
de Pos-gradua cao em Engenharia Eletrica,
COPPE, da Universidade Federal do Rio
de Janeiro, como parte dos requisitos
necessarios à obten cao do ttulo de Doutor
em Engenharia Eletrica.
Orientador: Jose Manoel de Seixas
Rio de Janeiro
Abril de 2013
DETECC

AO E CLASSIFICAC

M
ETODOS DE SEPARAC

AO CEGA DE FONTES
TESE SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO LUIZ
COIMBRA DE P
OS-GRADUAC

AO E PESQUISA DE ENGENHARIA (COPPE)
DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS
REQUISITOS NECESS
ARIOS PARA A OBTENC

AO DO GRAU DE DOUTOR
EM CI
ENCIAS EM ENGENHARIA EL
ETRICA.
Examinada por:
Prof. Jose Manoel de Seixas, D.Sc.
Prof. Carlos Eduardo Parente Ribeiro, D.Sc.
Prof. Joao Baptista de Oliveira e Souza Filho, D.Sc.
Prof. Joao Marcos Travassos Romano , Dr. Ing.
Prof. Luis Pereira Caloba, Dr.Ing.
Prof. Sergio Lima Netto, Ph.D.
RIO DE JANEIRO, RJ BRASIL
ABRIL DE 2013
Nunes de Moura, Natanael
Detec cao e Classica cao de Sinais de Sonar Passivo
usando metodos de Separa cao Cega de fontes/Natanael
Nunes de Moura. Rio de Janeiro: UFRJ/COPPE, 2013.
XIX, 161 p.: il.; 29, 7cm.
Tese (doutorado) UFRJ/COPPE/Programa de
Engenharia Eletrica, 2013.
Referencias Bibliogracas: p. 154 159.
1. Inteligencia Computacional. 2. Processamento de
Sinais de Sonar Passivo. 3. Analise Espectral. 4.
Separa cao Cega de Sinais. 5. Analise de Componentes
Independentes. 6. Fatora cao de Matrizes nao Negativas.
I. Manoel de Seixas, Jose. II. Universidade Federal do Rio
de Janeiro, COPPE, Programa de Engenharia Eletrica. III.
Ttulo.
iii
Ora, a fe e o rme fundamento
das coisas que se esperam, e a
prova das coisas que n ao se
veem.
Porque por ela os antigos
alcancaram testemunho.
Pela fe entendemos que os
mundos pela palavra de Deus
foram criados; de maneira que
aquilo que se ve n ao foi feito do
que e aparente.
Hebreus 11: 1 a 3
iv
Agradecimentos
Agrade co primeiramente a Deus por ter me colocado em uma famlia nuclear (pai,
mae e irmaos) maravilhosa. Agrade co aos meus pais, que sempre me motivaram
a estudar, e nos momentos de diculdades, me falavam palavras de incentivo, tais
como, nao desista que voce vai conseguir.
Agrade co à minha esposa, Neidi, que durante todo tempo desta jornada esteve
comigo, compartilhando dos meus problemas, ai coes e muita das vezes da falta de
aten cao, mas ela compreendia. Sem este apoio incondicional eu nao teria conseguido
chegar ate aqui. Agrade co aos meus lhos por se orgulharem do que eu estava
fazendo. Em particular ao meu lho, Natanael Junior, que alem de lho foi um
colega que muitas vezes tirou as minhas d uvidas na confec cao dos desenhos deste
trabalho.
Agrade co ao Instituto de Pesquisas da Marinha, particularmente ao pesquisa-
dores William e Cleide, pela paciencia de terem me cedido os dados simulados e
experimentais. Agrade co tambem ao ten. Goltz e ao pesquisador Stilson, por terem
ido diversas vezes ao CIAMA fazer a aquisi cao dos dados para que os testes dos
algoritmos pudessem ser realizados.
Agrade co ao professor Jose Manoel de Seixas, meu orientador pela calma,
paciencia e por sempre tentar me fazer render o melhor neste trabalho. Voce foi
mais do que um orientador, foi um amigo em quem pude conar, mesmo nos mo-
mentos dos meus problemas pessoais. Muito obrigado.
Agrade co ao CNPq e a FAPERJ pelo suporte nanceiro a este trabalho.
v
Resumo da Tese apresentada à COPPE/UFRJ como parte dos requisitos necessarios
para a obten cao do grau de Doutor em Ciencias (D.Sc.)
DETECC

AO E CLASSIFICAC

M
ETODOS DE SEPARAC

AO CEGA DE FONTES
Abril/2013
Programa: Engenharia Eletrica
As opera coes de guerra naval tem sido cada vez mais estudadas em termos de es-
trategias e tecnologias. Na area de tecnologia, tem sido desenvolvidas varias tecnicas
para a detec cao e classica cao de navios no mar. A detec c ao e classica cao em um
sistema de sonar passivo podem ser realizadas de forma automatica usando algo-
ritmos de processamento de sinais e de inteligencia computacional, para apoiar o
operador sonar (OS). Apesar destes algoritmos serem ecazes na detec cao e identi-
ca cao de navios, a interferencia entre os navios, principalmente devido à proximi-
dade entre eles, o rudo ambiente, que e fun cao do meio em que o sinal que se deseja
identicar e o rudo do proprio navio onde os algoritmos estao instalados, podem
aumentar a complexidade para a realiza cao da detec cao e classica cao dos navios.
Neste trabalho foi proposto o uso de algoritmos de separa cao cega de fontes,
foram aplicados como pre-processamento nas analises DEMON e LOFAR, com o
objetivo de melhorar a rela cao sinal/interferencia e a redu cao do rudo ambiente em
rela cao ao sinal de interesse. Sinais simulados e experimentais foram usados para
validar a eciencia destes algoritmos, e metodos estatsticos foram utilizados para
medir o ndice de desempenho dos componentes estimados pelos algoritmos.
Pelo fato dos dados simulados serem completamente controlados, foi possvel
vericar a eciencia dos algoritmos de analise de componentes independentes
(ICA), principalmente no domnio da frequencia, na melhoria da SIR (rela cao si-
nal/interferencia) e da SNR (rela cao sinal/rudo), em rela cao aos resultados obti-
dos pelos algoritmos de fatora cao de matrizes nao negativas, que foram propostos
neste trabalho. Foram utilizados os mesmos procedimentos, tanto para os dados
simulados, quanto para os dados experimentais, e mais uma vez, foram alcan cados
resultados representativos com os algoritmos de ICA.
vi
Abstract of Thesis presented to COPPE/UFRJ as a partial fulllment of the
requirements for the degree of Doctor of Science (D.Sc.)
PASSIVE SONAR SIGNAL DETECTION AND CLASSIFICATION USING
BLIND SOURCE SEPARATION METHODS
April/2013
Advisor: Jose Manoel de Seixas
Department: Electrical Engineering
The naval warfare operations have been increasingly studied in terms of strategies
and technologies. In the eld of technology, several techniques have been developed
for the detection and classication of vessels at sea. The detection and classica-
tion in a passive sonar system can be performed automatically, using algorithms
of signal processing and computational intelligence to support the sonar operator
(OS). Although these algorithms are eective in ships, detecting and identifying the
interference between the ships, mainly due their proximity, the ambient noise, which
is a function of the medium in which the signal you want to identify and noise of
the ship itself where the algorithms are installed, may increase the complexity for
performing the detection and classication of the vessels.
This thesis proposes the use of algorithms of blind source separation, in order
to achieve improvement in the signal/interference and ambient noise reduction with
respect to the signal of interest. Simulated and experimental signals were used to
validate the eciency of these algorithms and statistical methods were applied to
measure the performance index of the components estimated by the algorithms.
By the fact of simulated data are completely controlled, it was possible to verify
the eciency of algorithms for independent component analysis (ICA), mainly in the
frequency domain, improving the SIR (signal/interference) and SNR (Signal/Noise),
relative to results obtained by factorization algorithms for non-negative matrices,
that have been proposed in this work. It was used the same procedure on the
simulated and experimental data. Again, representative results have been achieved
with algorithms for ICA.
vii
Sumario
Lista de Figuras x
Lista de Tabelas xix
1 Introdu cao 1
1.1 Motiva cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Organiza cao da tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Sistema de Sonar Passivo 6
2.1 Introdu cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Rudo Irradiado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Congura cao basica de um sistema de sonar passivo . . . . . . . . . . 10
2.3.1 Arranjo de Sensores . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Conforma cao de Feixes . . . . . . . . . . . . . . . . . . . . . . 13
2.3.3 Processamento de Sinal . . . . . . . . . . . . . . . . . . . . . . 15
2.3.4 Tipos de Sistemas de Sonar Passivo . . . . . . . . . . . . . . . 18
2.3.5 Equa cao de um Sistema de Sonar Passivo . . . . . . . . . . . 20
2.4 Caractersticas dos sinais recebidos por um sistema de sonar passivo . 21
3 Separa cao Cega de Fontes 22
3.1 Analise de Componentes Independentes . . . . . . . . . . . . . . . . . 22
3.1.1 O Princpio da Independencia Estatstica . . . . . . . . . . . . 24
3.1.2 Nao Gaussianidade e Independencia . . . . . . . . . . . . . . . 25
3.1.3 Escalonamento e Permuta cao . . . . . . . . . . . . . . . . . . 29
3.1.4 Estima cao das Fun coes Densidade de Probabilidade . . . . . . 30
3.1.5 Algoritmo JADE . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.6 Algoritmo FastICA . . . . . . . . . . . . . . . . . . . . . . . . 33
3.1.7 Algoritmo Newton-Like Multiplicativo . . . . . . . . . . . . . 34
3.2 Fatora cao de Matrizes nao Negativas . . . . . . . . . . . . . . . . . . 35
3.2.1 Fatora cao de Matrizes usando o Metodo das Divergencias . . . 36
viii
4 Metodologia de Analise e Operacao do Sistema 39
4.1 Dados utilizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Metodologia de Analise . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.1 Domnio do tempo . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.2 Domnio da frequencia . . . . . . . . . . . . . . . . . . . . . . 45
4.3 Monitora cao da estacionaridade . . . . . . . . . . . . . . . . . . . . . 46
4.4 Classica cao de contatos . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.5 Medida do desempenho . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.6 Opera cao do sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Resultados da Separa cao Cega de Fontes 51
5.1 Dados Simulados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.1.1 Separa cao cega no domnio do tempo . . . . . . . . . . . . . . 51
5.1.2 Separa cao cega no domnio da frequencia . . . . . . . . . . . . 73
5.2 Dados Experimentais . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2.1 Separa cao no domnio do tempo (2) . . . . . . . . . . . . . . . 95
5.2.2 Separa cao cega no domnio da frequencia . . . . . . . . . . . . 115
5.2.3 Analise da estacionaridade . . . . . . . . . . . . . . . . . . . . 137
5.2.4 Classica cao de contatos . . . . . . . . . . . . . . . . . . . . . 139
6 Conclusoes e Trabalhos Futuros 152
6.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
Referencias Bibliogracas 154
A Trabalhos Publicados 160
ix
Lista de Figuras
1.1 Cenario de um ambiente submarino. . . . . . . . . . . . . . . . . . . . 2
1.2 Metodologia de separa cao cega de sinais no domnio do tempo. . . . . 4
1.3 Metodologia de separa cao cega de sinais no domnio da frequencia. . . 5
2.1 Diferentes tipos de sistemas de sonar passivo. . . . . . . . . . . . . . 6
2.2 Espectro do rudo irradiado de um navio em duas velocidades. . . . . 10
2.3 Diagrama de blocos de um sistema de sonar passivo. . . . . . . . . . . 10
2.4 Arranjo linear de hidrofones com n + 1 elementos. . . . . . . . . . . . 11
2.5 Arranjo cilndrico de hidrofones. . . . . . . . . . . . . . . . . . . . . . 12
2.6 Arranjo planar de hidrofones. . . . . . . . . . . . . . . . . . . . . . . 12
2.7 Conformador de feixes do tipo atraso e soma. . . . . . . . . . . . . . 13
2.8 Conforma cao de feixes com um arranjo cilndrico. . . . . . . . . . . . 14
2.9 Graco Marca caoTempo. . . . . . . . . . . . . . . . . . . . . . . . . 14
2.10 Diagrama de blocos da analise LOFAR. . . . . . . . . . . . . . . . . . 15
2.11 Janela usada para remover o rudo de fundo com o algoritmo TPSW. 16
2.12 Analise LOFAR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.13 Diagrama de blocos da analise DEMON. . . . . . . . . . . . . . . . . 17
2.14 Analise DEMON. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1 Analise DEMON dos 1.020 segundos dos sinais simulados. . . . . . . 41
4.2 Analise DEMON da marca cao 190. . . . . . . . . . . . . . . . . . . . 42
4.3 Analise DEMON da marca cao 205. . . . . . . . . . . . . . . . . . . . 43
4.4 Analise DEMON do rudo proprio. . . . . . . . . . . . . . . . . . . . 43
4.5 Diagrama de blocos da metodologia no domnio do tempo (1). . . . . 45
4.6 Diagrama de blocos da opera cao no domnio do tempo (2). . . . . . . 45
4.7 Diagrama de blocos da metodologia aplicada no domnio da frequencia. 46
4.8 Diagrama de blocos do sistema de classica cao usando a separa cao
cega de fontes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.9 Diagrama de blocos da opera cao do sistema. . . . . . . . . . . . . . . 50
5.1 Espectro das janelas de 60s. . . . . . . . . . . . . . . . . . . . . . . . 52
x
5.2 Espectro, dos contatos e dos componentes, da janela temporal 17, no
domnio do tempo (1) usando o algoritmo FastICA. . . . . . . . . . . 53
domnio do tempo (1) usando o algoritmo JADE. . . . . . . . . . . . 54
domnio do tempo (1) usando o algoritmo Newton-like. . . . . . . . . 54
domnio do tempo (1) usando o algoritmo NMF com a fun cao custo
distancia Euclidiana. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.6 Divergencia KL entre as observa coes e os componentes estimados a
cada janela temporal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.7 Divergencia KL entre as observa coes e os componentes estimados a
cada janela temporal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.8 Espectros dos contatos e dos componentes da janela 15 usando o
algoritmo FastICA no domnio do tempo (2). . . . . . . . . . . . . . . 58
algoritmo FastICA no domnio do tempo. . . . . . . . . . . . . . . . . 58
algoritmo FastICA no domnio do tempo. . . . . . . . . . . . . . . . . 59
5.11 Divergencia KL entre as observa coes e entre os componentes estima-
dos pelo algoritmo FastICA. . . . . . . . . . . . . . . . . . . . . . . . 60
5.12 Divergencia KL entre as referencias e as observa coes, e entre as re-
ferencias e as estimativas obtidas algoritmo FastICA. . . . . . . . . . 61
algoritmo JADE no domnio do tempo (2). . . . . . . . . . . . . . . . 62
algoritmo JADE no domnio do tempo. . . . . . . . . . . . . . . . . . 62
algoritmo JADE no domnio do tempo. . . . . . . . . . . . . . . . . . 63
dos pelo algoritmo JADE. . . . . . . . . . . . . . . . . . . . . . . . . 63
5.17 Divergencia KL entre as referencias e as observa coes e entre as re-
ferencias as estimativas obtidas algoritmo JADE no domnio do tempo
(2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
algoritmo Newton-like no domnio do tempo (2). . . . . . . . . . . . . 65
xi
5.21 Divergencia KL entre as observa coes e os componentes estimados pelo
ferencias as estimativas obtidas algoritmo Newton-like no domnio do
tempo (2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
algoritmo NMF com a distancia Euclidiana como fun cao custo no
domnio do tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
domnio do tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
domnio do tempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.26 Divergencia KL entre as observa coes e entre os componentes esti-
mados pelo algoritmo NMF usando como fun cao custo a distancia
Euclidiana no domnio do tempo (2). . . . . . . . . . . . . . . . . . . 70
ferencias e as estimativas usando o algoritmo NMF com a distancia
Euclidiana como fun cao custo no domnio do tempo (2). . . . . . . . 70
algoritmo NMF com divergencia de Kullback-Leibler como fun cao
custo no domnio do tempo. . . . . . . . . . . . . . . . . . . . . . . . 71
5.31 Divergencia KL entre as observa coes e os componentes estimados pelo
algoritmo NMF usando a fun cao custo divergencia de Kulback-Leibler. 73
ferencias e as estimativas obtidas algoritmo NMF usando como fun cao
custo a divergencia de Kullback-Leibler. . . . . . . . . . . . . . . . . 74
5.33 Espectros dos contatos e dos componentes da janela temporal n umero
15 usando o algoritmo FastICA no domnio da frequencia. . . . . . . 75
xii
dos pelo algoritmo FastICA no domnio da frequencia. . . . . . . . . . 77
5.37 Divergencia KL entre as referencias; e as observa coes e as estimativas
obtidas algoritmo FastICA no domnio da frequencia. . . . . . . . . . 77
5.38 Espectros dos contatos e dos componentes estimados, da janela tem-
poral n umero 15, usando o algoritmo JADE no domnio da frequencia. 78
poral n umero 16, usando o algoritmo JADE no domnio da frequencia. 79
poral 17, usando o algoritmo JADE no domnio da frequencia. . . . . 79
dos pelo algoritmo JADE no domnio da frequencia. . . . . . . . . . . 80
ferencias e as estimativas obtidas algoritmo JADE no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
poral n umero 15, usando o algoritmo Newton-like no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
dos pelo algoritmo Newton-like no domnio da frequencia. . . . . . . . 83
5.47 Divergencia KL entre as referencias e as observa coes; e entre as re-
ferencias e as estimativas obtidas algoritmo Newton-like no domnio
da frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
poral n umero 15, usando o algoritmo NMF com a fun cao custo Eu-
clidiana no domnio da frequencia. . . . . . . . . . . . . . . . . . . . . 84
xiii
dos pelo algoritmo NMF com a fun cao custo Euclidiana no domnio
da frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
ferencias e as estimativas, obtidas pelo algoritmo NMF usando como
fun cao custo a distancia Euclidiana no domnio da frequencia. . . . . 87
poral n umero 15, usando o algoritmo NMF, com a divergencia de
Kullback-Leibler como fun cao custo, no domnio da frequencia. . . . . 88
5.56 Divergencia KL entre as observa coes e entre os componentes esti-
mados, pelo algoritmo NMF, usando a divergencia KL como fun c ao
custo, no domnio da frequencia. . . . . . . . . . . . . . . . . . . . . . 89
5.57 Divergencia KL entre as referencias e as observa coes, e entre as
referencias e as estimativas, usando o algoritmo NMF, com a di-
vergencia KL como fun cao custo, no domnio da frequencia. . . . . . . 90
5.58 Analise DEMON, da terceira janela temporal, da marca cao 190: (a)
original e (b) estimado pelo algoritmo FastICA no domnio do tempo
(2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
original e (b) estimado, pelo algoritmo FastICA no domnio do tempo
(2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.60 Analise DEMON, da terceira janela temporal, do rudo proprio: (a)
original e (b) estimado, pelo algoritmo FastICA no domnio do tempo
(2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.61 Divergencia KL entre as marca coes 190 e 205; e entre os componentes
estimados pelo algoritmo FastICA no domnio do tempo (2). . . . . . 99
original e (b) estimado pelo algoritmo JADE no domnio do tempo (2).100
xiv
original e (b) estimado, pelo algoritmo JADE no domnio do tempo
(2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
original e (b) estimado, pelo algoritmo JADE no domnio do tempo
(2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
estimados pelo algoritmo JADE no domnio do tempo (2). . . . . . . 103
original e (b) estimado pelo algoritmo Newton-like no domnio do
tempo (2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
tempo (2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
tempo (2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
estimados das respectivas marca coes usando o algoritmoNewton-like. 107
original e (b) estimado pelo algoritmo NMF, no domnio do tempo
(2), usando a distancia Euclidiana como fun cao custo. . . . . . . . . . 108
estimados das respectivas marca coes, usando o algoritmo NMF com
a fun cao distancia Euclidiana, no domnio do tempo. . . . . . . . . . 111
original e (b) estimado pelo algoritmo NMF, usando a divergencia de
Kullback-Leibler como fun cao custo, no domnio do tempo (2). . . . . 112
xv
estimados das respectivas marca coes usando o algoritmo NMF com a
fun cao divergencia de Kullback-Leibler, no domnio do tempo. . . . . 115
5.78 Analise DEMON, da terceira janela temporal, da marca cao 190:
(a) original e (b) estimado pelo algoritmo FastICA no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.79 Analise DEMON, da terceira janela temporal, da marca cao 205:
(a) original e (b) estimado, pelo algoritmo FastICA no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.80 Analise DEMON, da terceira janela temporal, do rudo proprio:
(a) original e (b) estimado, pelo algoritmo FastICA no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
estimados das respectivas marca coes usando o algoritmo FastICA no
domnio da frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . 119
original e (b) estimado pelo algoritmo JADE no domnio da frequencia.120
original e (b) estimado, pelo algoritmo JADE no domnio da frequencia.121
original e (b) estimado, pelo algoritmo JADE no domnio da frequencia.122
estimados das respectivas marca coes, usando o algoritmo JADE, no
domnio da frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . 123
original e (b) estimado pelo algoritmo Newton-like no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
original e (b) estimado, pelo algoritmo Newton-like no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
original e (b) estimado, pelo algoritmo Newton-like no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
estimados das respectivas marca coes usando o algoritmo Newton-like
no domnio da frequencia. . . . . . . . . . . . . . . . . . . . . . . . . 127
xvi
original e (b) estimado pelo algoritmo NMF, usando a distancia Eu-
clidiana como fun cao custo, no domnio da frequencia. . . . . . . . . . 128
estimados das respectivas marca coes usando o algoritmo NMF com a
distancia Euclidiana como fun cao custo no domnio da frequencia. . . 131
estimados das respectivas marca coes usando o algoritmo NMF com
a divergencia da Kullback-Leibler como fun cao custo no domnio da
frequencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.98 Energia acumulada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.99 N umero de grupos apos a observa cao de cada agrupamento. . . . . . 139
5.100Espectro medio da analise LOFAR de cada uma das marca coes. . . . 141
5.101Espectro medio da analise LOFAR de cada componente estimado pelo
algoritmo FastICA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
algoritmo JADE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
algoritmo Newton-like. . . . . . . . . . . . . . . . . . . . . . . . . . . 143
algoritmo NMF, usando a distancia Euclidiana como fun cao custo. . . 143
5.105Espectro medio da analise LOFAR de cada componente estimado
pelo algoritmo NMF, usando a divergencia de Kullback-Leibler como
fun cao custo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
xvii
5.106Classica cao utilizando os espectros da analise LOFAR. . . . . . . . . 145
5.107Classica cao utilizando o algoritmo FastICA como pos-processamento
dos espectros da analise LOFAR. . . . . . . . . . . . . . . . . . . . . 146
5.108Classica cao utilizando o algoritmo JADE como pos-processamento
dos espectros da analise LOFAR. . . . . . . . . . . . . . . . . . . . . 147
5.109Classica cao utilizando o algoritmo Newton-like como pos-
processamento dos espectros da analise LOFAR. . . . . . . . . . . . . 148
5.110Classica cao utilizando o algoritmo NMF, com a distancia Euclidiana
como fun cao custo, nos espectros da analise LOFAR. . . . . . . . . . 149
5.111Classica cao utilizando o algoritmo NMF, com a divergencia de
Kullback-Leibler como fun cao custo, nos espectros da analise LOFAR. 150
xviii
Lista de Tabelas
2.1 Fontes de rudo irradiado em um navio de propulsao diesel-eletrica . . 9
3.1 Fun coes Kernel e suas eciencias . . . . . . . . . . . . . . . . . . . . . 32
5.1 Tabela com os ndices desempenho entre os contatos e as referencias;
e entre os componentes estimados pelos algoritmos de ICA e as re-
ferencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.2 Tabela com os ndices desempenho entre os contatos e as referencias;
e entre os componentes estimados pelos algoritmos de NMF e as re-
ferencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.3 SIR, em dB, janela a janela, dos sinais simulados no domnio do
tempo com rela cao as observa coes e os componentes estimados algo-
ritmos usando a ICA e a NMF. . . . . . . . . . . . . . . . . . . . . . 93
5.4 SIR, em dB, janela a janela, dos sinais simulados no domnio da
frequencia com rela cao as observa coes e os componentes estimados
algoritmos usando a ICA e a NMF. . . . . . . . . . . . . . . . . . . . 94
5.5 Nvel em dB, das marca coes (raw-data) e dos componentes estimados,
pelos algoritmos de ICA, à cada janela temporal. . . . . . . . . . . . 135
5.6 Nvel em dB, das marca coes (raw-data) e dos componentes estimados,
pelos algoritmos NMF, à cada janela temporal. . . . . . . . . . . . . . 136
5.8 Largura à meia altura das rota coes, das marca coes (raw-data) e dos
componentes estimados, pelos algoritmos de NMF à cada janela tem-
poral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.7 Largura à meia altura das rota coes, das marca coes (raw-data) e dos
componentes estimados, pelos algoritmos de ICA em cada janela tem-
poral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.9 N umero de neuronios na camada escondida em rela cao ao melhor
ndice SP de cada algoritmo. . . . . . . . . . . . . . . . . . . . . . . 141
5.10 Eciencia da discrimina cao obtida por cada um dos classicadores. . . 151
xix
Captulo 1
Introducao
As opera coes de guerra naval tem sido cada vez mais estudadas em termos de es-
trategias e tecnologias. Na area de tecnologia, tem sido desenvolvidas varias tecnicas
para o acompanhamento, detec cao e classica cao de contatos no mar. Os navios de
superfcie podem ser detectados e classicados usando o radar, que utiliza ondas
eletromagneticas, pois estas tem uma baixa atenua cao no ar. Ja no caso dos subma-
rinos, que estao submersos no mar, as ondas eletromagneticas sofrem uma grande
atenua cao no ambiente submarino e, portanto nao sao usadas para a detec cao e clas-
sica cao de submarinos submersos. Por outro lado, as ondas ac usticas conseguem se
propagar em grandes distancias no mar, dependendo da sua frequencia, sem perda
signicativa da sua energia. Entao, a onda ac ustica que e propagada por um na-
vio de superfcie, pode ser usada pelo submarino para a realiza cao da identica cao
deste navio. Da mesma forma, os navios de superfcie usam as ondas ac usticas para
a localiza cao de submarinos.
O sistema que usa a propaga cao do som (transmissao e recep cao) em baixo dagua
e chamado de sistema de sonar. A palavra sonar e derivada de SOund NAvigation
Ranging e tem sido usada desde a segunda grande guerra. Existem dois tipos de
sistemas de sonar que sao usados nos navios. O sistema de sonar ativo, usado em
navios anti-submarinos, envolve a transmissao de uma onda ac ustica atraves de um
projetor (normalmente por um conjunto de hidrofones) que, reetida em um alvo,
fornece ao sistema a informa cao para a detec cao, classica cao, localiza cao e deter-
mina cao da distancia do referido alvo. Neste sistema, temos a vantagem de saber
que tipo de onda estamos transmitindo, porem camos mais expostos quanto ao re-
conhecimento, por estarmos emitindo sinais. Ja o sistema que se baseia na detec cao
e estima cao do som propagado pelo proprio alvo, sem nenhuma transmissao de si-
nal, e chamado de sistema de sonar passivo. Este sistema, normalmente, e usado
nos submarinos. O problema da detec cao passiva e conhecer o sinal do alvo dese-
jado atraves de sua assinatura (sinal propagado pelo alvo) em um ambiente ruidoso,
onde o rudo tem um espectro de frequencia similar ao sinal propagado pelo alvo de
1
interesse. O rudo irradiado pelo alvo contem informa coes importantes a respeito
da maquinaria presente no interior do alvo, bem como o rudo de propulsao. Alem
do rudo que se encontra no ambiente, outros alvos que estao presentes num dado
cenario podem interferir no processo de detec cao e classica cao de um determinado
contato. Por isto, tecnicas de processamento de sinais sao necessarias para a se-
para cao dos sinais de interesse com o objetivo de melhorar a rela cao sinal/rudo e
a rela cao sinal/interferencia para detec cao e a classica cao dos alvos. A Figura 1.1
mostra um possvel cenario, onde um submarino esta em patrulha no modo passivo,
para realizar a detec cao e classica cao dos contatos na area de opera cao.
Figura 1.1: Cenario de um ambiente submarino.
A detec cao e classica cao em um sistema de sonar passivo sao realizadas de
forma automatica, por algoritmos de processamento de sinais e de inteligencia com-
putacional, para apoiar o operador sonar (OS). Em um sistema de sonar moderno,
o processamento do sinal e um dos mais importantes componentes do sistema, fun-
cionando como apoio à detec cao e classica cao por parte do OS. Mesmo as tecnicas
modernas de processamento podem ter diculdades de realizar a detec cao e classi-
ca cao do contato de interesse proveniente de uma determinada marca cao. Apesar
destes algoritmos serem ecazes na detec cao e identica c ao de um contato, a inter-
ferencia entre os contatos (alvos); e entre o contato e o rudo ambiente normalmente
permanecem, principalmente quando estes alvos estao se aproximando. Por isto
se faz necessario aumentar a complexidade nos sistemas automaticos para a rea-
liza cao da detec cao e classica cao dos contatos com a nalidade de mostrar com
mais clareza as caractersticas dos alvos a serem detectados. Neste caso, se faz ne-
2
cessaria a implementa cao de novas tecnicas para o pre-processamento dos sinais,
visando a separa cao do sinal das interferencias. Uma possvel solu cao e a separa cao
cega de fontes, onde metodos estatsticos sao usados visando a melhoria na rela cao
sinal/interferencia; ou a redu cao do rudo em rela cao ao sinal de interesse.
1.1 Motivacao
Os primeiros sonares passivos ganharam forte motiva cao na sua implementa cao apos
a primeira grande guerra mundial. Eles eram compostos somente de um sistema de
audio onde o operador sonar escutava os sinais provenientes de uma determinada
dire cao para identicar o tipo de contato que estava presente no cenario onde o
submarino se encontrava. Vericou-se, entao, a necessidade de se criar um sistema
que tivesse algumas caractersticas adicionais, alem do audio, para apoiar o operador.
Outros tipos de sonares passivos mais sosticados foram desenvolvidos, realizando-se
pesquisas em analise dos dados que foram obtidos pelos primeiros sonares.
Um sistema de sonar passivo tem como principais caractersticas a estima cao
da dire cao de interesse DOA (Direction Of Arrival ), a detec cao, identica cao, a
classica cao e acompanhamento de contatos em um determinado cenario ac ustico.
A estima cao da dire cao de interesse e realizada usando algoritmos de conforma cao de
feixes [1], que estabelecem de qual dire cao o sinal do contato de interesse esta sendo
proveniente. A identica cao destes contatos e realizada atraves da sua assinatura
(rudo ac ustico emitido pelo contato) usando duas analises: LOFAR e DEMON. A
analise LOFAR (LOw Frequency Analysis and Recording) e uma analise espectral
que e realizada em toda a banda de frequencia do sinal que vai ser analisado. Esta
analise, identica o rudo da maquinaria do navio (contato). A analise DEMON
(DEtection MOdulation on Noise) e uma analise que detecta a envoltoria do rudo
de cavita cao
1
para identicar o tipo de propulsao do navio, informando o n umero
de eixos e o n umero de pas do contato de interesse [2].
Em determinadas situa coes, os sinais de marca coes proximas, alem do rudo
ambiente causado pelos fenomenos naturais (vento, temperatura, salinidade, etc.),
poderao interferir de forma signicativa durante a estima cao da dire cao de chegada,
causando diculdades na identica cao dos contatos detectados em cada marca cao,
por parte do operador sonar (OS). Devido as situa coes mencionadas anteriormente,
se faz necessario a utiliza cao de tecnicas inteligentes como o pre-processamento para
a separa cao destes sinais, com o objetivo de facilitar, de forma efetiva, a identica cao
dos alvos e melhorar a detec cao e classica cao dos contatos nas analises DEMON
e LOFAR. Modelos de separa cao cega de fontes tem sido usados com eciencia em
1
Implos ao e explosao de bolhas de ar, devido a cavita cao, causando a gera cao de um rudo de
banda larga
3
diversas areas para a realiza cao desta separa cao. A ideia, entao, e aplicar estes
modelos para vericar o seu desempenho nos sinais de sonar passivo.
1.2 Objetivo
O objetivo deste trabalho e melhorar a detec cao e a classica cao de um contato
em uma determinada marca cao, que sao realizadas atraves das analises DEMON e
LOFAR, usando como pre-processamento dos sinais algoritmos de separa cao cega de
fontes. A ideia e melhorar a rela cao sinal/interferencia (SIR) e a rela cao sinal/rudo
(SNR), de forma a apoiar o operador de sonar na detec cao e classica cao do contato,
facilitando a sua identica cao.
1.3 Metodologia
A metodologia utilizada neste trabalho e baseada na implementa cao de algoritmos
de separa cao cega de fontes, como pre-processamento, para melhorar a detec cao e
classica cao de sinais de sonar passivo. Estes algoritmos foram implementados tanto
com os sinais no domnio do tempo como no domnio da frequencia e foram aplicados
tanto em sinais simulados quanto em sinais experimentais.
A Figura 1.2, mostra o diagrama de blocos do pre-processamento usado para a
separa cao cega de sinais de sonar passivo no domnio do tempo.
Separao
cega
fontes
Anlise
espectral
C1
Cn
M1
Mn
Figura 1.2: Metodologia de separa cao cega de sinais no domnio do tempo.
A partir da aquisi cao das marca coes no domnio do tempo, os algoritmos de
separa cao cega de fontes sao implementados para a estima c ao dos componentes de
interesse. Apos a separa cao cega, uma analise espectral (analise DEMON e LOFAR)
e implementada nos componentes estimados para vericar se houve uma melhora na
rela cao sinal/interferencia e sinal/rudo entre as marca coes ja separadas. Tambem
sao utilizadas tecnicas estatsticas para quanticar o desempenho da separa cao.
No domnio da frequencia, como e mostrado no diagrama de blocos da Figura
1.3, e implementada uma analise espectral a partir das marca coes e os algoritmos
de separa cao cega de fontes sao usados para a estima cao dos componentes. Da
mesma forma que foi utilizada no domnio do tempo, tecnicas para quanticar o
desempenho da separa cao tambem foram utilizadas no domnio da frequencia.
4
C1
Cn
M1
Mn
Figura 1.3: Metodologia de separa cao cega de sinais no domnio da frequencia.
Existem varios algoritmos de separa cao cega de sinais. Neste trabalho, foram uti-
lizados algoritmos para a separa cao usando a analise de componentes independentes
e a fatora cao de matrizes nao negativas.
1.4 Organiza cao da tese
O captulo 2 faz uma abordagem sobre sistema de sonar passivo, seus componentes,
tais como, arranjo de sensores (hidrofones) que sao usados para receber os sinais pro-
venientes dos contatos que estao chegando de varias dire coes. A estima cao da dire cao
de chegada que e realizada atraves da conforma cao de feixes com o objetivo de veri-
car de qual dire cao o contato esta chegando. A detec cao e classica cao de contatos
sao realizadas atraves de analises espectrais. O captulo 3 faz uma explana cao so-
bre algoritmos que realizam a separa cao cega de fontes que serao utilizados como
pre-processamento para a melhoria da rela cao sinal/interferencia e sinal/rudo dos
contatos. O captulo 4, mostra a metodologia e a opera cao de um sistema de sonar
passivo. O captulo 5 trata dos resultados obtidos com os algoritmos de separa cao
cega de fontes na remo cao de interferencias atraves da detec cao e classica cao de
contatos, usando as analises DEMON e LOFAR. Resultados mostram um melhor
desempenho dos algoritmos de ICA, tanto no domnio do tempo como no domnio
da frequencia, em rela cao aos algoritmos de NMF, A conclus ao, que e explanada no
captulo 6, mostra que tipo de pre-processamento alcan cou o melhor desempenho
na separa cao cega dos contatos e tambem indica futuros trabalhos que poderao ser
desenvolvidos para completar esta pesquisa.
5
Captulo 2
Sistema de Sonar Passivo
Neste Captulo, sera feita uma descri cao do funcionamento de um sistema de so-
nar passivo, cobrindo os requisitos de processamento de sinais que sao necessarios
para a detec cao e classica cao dos sinais irradiados pelos navios, provenientes das
varias dire coes que sao formadas atraves de um arranjo de sensores (hidrofones)
[3]. A Figura 2.1, mostra varios tipos de sistema de sonar passivo que sao usados
atualmente.
sonobia
a
r
r
a
n
jo
re
b
o
c
v
e
l
arranjos em linha
sonobia
Figura 2.1: Diferentes tipos de sistemas de sonar passivo.
Um sistema de sonar passivo que e comumente usado, para a detec cao de sub-
marinos, sao as sonoboias, que normalmente sao jogadas de aeronaves no mar e
6
formam um conjunto de hidrofones aleatoriamente espalhados, para a realiza cao da
vigilancia em uma determinada regiao do oceano. Estas sonob oias, cam no modo
passivo, vericando, a presen ca ou nao, de submarinos nesta regiao. Os rudos ad-
quiridos pelas sonoboias sao, entao, transmitidos, via radio, para a aeronave que as
lan cou no mar e sao processados, usando as analises necessarias para a detec cao de
submarinos.
Um outro tipo de sistema de sonar passivo e o arranjo rebocavel. Este tipo de ar-
ranjo e linear e, normalmente, e rebocado por um navio de superfcie (tambem pode
ser rebocado por um submarino) tendo um cordao umbilical onde as informa coes da
dire cao dos sinais sao enviadas para serem processadas pelo navio, o qual ele esta
acoplado.
Hoje em dia, a coloca cao de arranjos de hidrofones em linha na plataforma
continental dos pases e feita com o objetivo de realizar a vigilancia passiva em toda
a costa martima do pas. Em qualquer situa cao, por exemplo, de ultrapassagem de
uma determinada linha de seguran ca, o navio seria detectado atraves de uma central
onde os dados estao sendo recebidos, para que providencias sejam tomadas.
Submarinos e navios de superfcie que tem a nalidade de fazer a detec cao de
alvos, utilizam sistemas de sonar passivo para obter informa coes sobre estes alvos
(navios e submarinos) que estao presentes no cenario de um ambiente oceanico,
analisando os sinais que chegam destes alvos. Um sistema de sonar passivo tem a
nalidade de fazer a analise destes sinais, de forma a separa-los das interferencias
1
, formadas pelo rudo ambiente e, pelo rudo do proprio navio, onde o sistema de
sonar passivo esta instalado.
2.1 Introducao
O sistema de sonar passivo tem a nalidade de realizar detec cao e classica cao de
sinais ac usticos em ambientes submarinos, usualmente o oceano. A diferen ca entre
sonar passivo e ativo e que o passivo nao emite nenhum sinal; ao inves de emitir
sinais, o seu proposito e detectar sinais ac usticos provenientes de navios (contatos)
que chegam de diferentes dire coes. A partir de uma perspectiva historica, o principal
impulso para a investiga cao e desenvolvimento de sistemas de sonares passivos tem
sido suas aplica coes militares. Porem, o ritmo da pesquisa militar, para a detec cao
de submarinos no modo passivo, tem diminudo nos ultimos anos, pelo fato de
que cada vez mais os submarinos estao se tornando mais silenciosos e atingindo
grandes profundidades, quando em opera cao. Desta forma, o foco tem mudado para
sistemas de sonar ativo. Contudo, novas aplica coes e tecnicas de processamento
de sinais continuam sendo desenvolvidas para sistemas de sonares passivos com o
1
Todo tipo de rudo que diculta a detec cao e classica cao dos contatos
7
objetivo de melhorar a detec cao e classica cao destes submarinos. Alem disto, uma
maior conscientiza cao das questoes ambientais tem estimulado o desenvolvimento de
tecnicas passivas de detec cao de cardumes de peixes e baleias, bem como a detec cao
de petroleo e gas em aguas profundas.
A analise dos dados em um sistema de sonar passivo normalmente e dividia em
tres estagios: detec cao, classica cao e localiza cao de contatos. A tarefa de detec cao
e vericar a presen ca de sinais ac usticos de um contato de interesse que vem conta-
minado por um rudo de fundo, e e pre-requisito para o subsequente processamento.
Quando o contato e detectado, e necessario que ele seja classicado para a realiza cao
da sua identica cao. Com isto, pode ser estabelecido que o contato seja de interesse
ou que possa ser desprezado. Por exemplo, em sistemas de sonar passivo de uso mi-
litar, o classicador pode tentar distinguir entre os navios de superfcie e submarinos
ou a que classe o navio pertence. Apos a identica cao dos contatos de interesse, uma
tentativa pode ser feita para localizar o contato e realizar o seu acompanhamento
em fun cao do tempo. Informa coes mais detalhadas sobre o processamento de sinal
para sistemas de sonar passivo podem ser encontrados em artigos de revisao e livros
didaticos [4] e [5].
2.2 Rudo Irradiado
Existem varias fontes de rudo em um ambiente submarino. Dentre estas fontes, os
navios e submarinos sao grandes geradores de rudo sonoro no mar. Este rudos sao
provenientes das maquinas e da propulsao destes contatos. As maquinas que estao
contidas nos navios vibram em determinadas frequencias e esta vibra cao se propaga
pelo casco formando, assim, uma assinatura caracterstica do navio.
Existem tres formas de gera cao deste rudo: rudo hidrodinamico, rudo de helices
e rudo das maquinas. A Tabela 2.1, mostra as fontes geradoras de rudo de um
sistema de propulsao eletrica-diesel, com as partes do navio que sao responsaveis
pela gera cao dos respectivos rudos.
O rudo hidrodinamico ocorre quando o navio se desloca na agua. Ele tem origem
no uxo do lquido passando pelo navio em movimento. As varia coes de pressao
associadas a este uxo podem ser irradiadas a uma certa distancia caracterizando
um tipo de rudo do navio.
O rudo do helice e um rudo proveniente do rudo de cavita cao. A cavita cao
[6] ocorre devido a explosao e implosao de bolhas em torno do helice, a partir de
uma determinada velocidade de rota cao. Isto causa um rudo de banda larga, que
abrange uma faixa de dezenas de Hertz ate milhares Hertz. A rota cao do helice
modula este rudo de cavita cao, com aumentos periodicos da amplitude e isto ocorre
na velocidade de rota cao do eixo propulsor ou na frequencia das pas do helice,
8
Tabela 2.1: Fontes de rudo irradiado em um navio de propuls ao diesel-eletrica
Rudo Hidrodin amico
Rudo de uxo irradiado
Excita cao ressonante de cavidades e de placas
Cavita cao em estruturas
Rudo do Helice
Cavita cao no helice
Excita cao ressonante do casco induzida pelo helice
Rudo de M aquinas
Motores diesel, motores principais, engrenagens redutoras, turbinas
Geradores, bombas, equipamentos de ar condicionado
correspondendo, entao, a frequencia do eixo multiplicada pelo n umero de pas. A
partir desta frequencia, a velocidade do navio pode ser estimada.
O rudo de maquinas tem origem nas diversas maquinas do navio, quando ele
esta em movimento e se propaga atraves do mar, pelo casco do navio. A vibra cao
das maquinas tem diferentes origens:
Dentes das engrenagens, ranhuras das armaduras e laminas das turbinas;
Eixos e armaduras de motores desalinhados;
Explosoes em cilindros de maquinas alternativas;
Cavita cao e turbulencia no uxo dos uidos das bombas, canos e valvulas de
descarga de capacitores.
Das tres classes de rudo, o rudo do helice e o de maquinas dominam o espectro
do rudo irradiado na maioria das condi coes das maquinas do navio. Os dois tipos de
rudo sao importantes e dependem da velocidade e da profundidade do navio para
assumir determinadas caractersticas. A Figura 2.2 mostra estas caractersticas do
espectro do rudo de um navio em duas velocidades diferentes [6]. A Figura 2.2(a)
mostra o espectro do navio em baixa velocidade, onde o rudo de cavita cao apenas
come ca a aparecer. Os espectros de baixa frequencia sao as linhas espectrais das
maquinas. Estas linhas desaparecem à medida que a frequencia aumenta. Para
velocidades mais altas, Figura 2.2(b), o rudo do helice aumenta e se desloca para
frequencias mais baixas. Ao mesmo tempo alguns componentes de frequencia au-
mentam tanto em nvel quanto em frequencia, mantendo a velocidade constante, e
9
permanecem sem altera cao pelo aumento da velocidade do navio. Assim, em altas
velocidades o espectro contnuo do helice esconde varias componentes de frequencia
caracterizando a velocidade do navio.
A
m
p
l
i
t
u
d
e
Frequncia
(a) Navio em baixa velocidade
A
m
p
l
i
t
u
d
e
Frequncia
(b) Navio em alta velocidade
Figura 2.2: Espectro do rudo irradiado de um navio em duas velocidades.
2.3 Conguracao basica de um sistema de sonar
passivo
Um sistema de sonar passivo contem basicamente um conjunto de subsistemas con-
forme mostrado na Figura 2.3.
Figura 2.3: Diagrama de blocos de um sistema de sonar passivo.
O sistema e composto por um arranjo de sensores, que tem a nalidade de receber
os sinais gerados (rudo irradiado) pelos navios em todas as dire coes. Na sequencia,
um conformador de feixes realiza uma ltragem espacial dos sinais que chegam no
arranjo de sensores. Um seletor de feixes permite a escuta do audio do contato em
uma determinada dire cao de interesse e um sistema realiza a detec cao e, em seguida,
a classica cao de contatos. Por m, as analises sao apresentadas de forma graca.
A seguir, sera feita uma explana cao do funcionamento de cada um destes blocos.
10
2.3.1 Arranjo de Sensores
O arranjo de sensores em um sistema de sonar passivo e composto por um conjunto
de hidrofones que tem a nalidade de capturar as assinaturas ac usticas
2
provenientes
de varias dire coes, para que posteriormente sejam processadas [5]. Com este arranjo
de sensores, podem ser determinadas a direcionalidade do arranjo, a sua faixa de
frequencia de opera cao e a sua capacidade de atenua cao do rudo proprio.
Os arranjos de sensores podem ser do tipo linear, cilndrico, ou planar [1]. Cada
um destes arranjos realizam a conforma cao de feixes com uma determinada carac-
terstica. Por exemplo, o arranjo linear, normalmente, e composto por um conjunto
de sensores (hidrofones) que estao igualmente espa cados, conforme mostrado na Fi-
gura 2.4, e realiza a aquisi cao dos sinais 90
o
a 90
o
graus, em rela cao ao seu eixo
de resposta principal (MRA - Main Response Axis) [5].
Figura 2.4: Arranjo linear de hidrofones com n + 1 elementos.
A dire cao de chegada do sinal e calculada atraves do angulo de azimuth (angulo
obtido entre a chegada do sinal e o eixo de resposta principal).
Um outro tipo de arranjo de sensores e o arranjo cilndrico (CHA - Cylindrical
Hydrophone Array), conforme mostrado na Figura 2.5 [1]. Este arranjo e composto
de varios staves (conjunto de hidrofones na posi cao vertical) em torno de um cilindro,
formando assim o arranjo de sensores que realiza a aquisi cao dos sinais de forma
omnidirecional. Nesta congura cao podem ser estimados tanto o angulo de azimuth,
, quanto o angulo de eleva cao, (angulo do sinal de chegada em rela cao aos staves
do arranjo).
O arranjo planar, conforme mostrado na Figura 2.6, tambem mede os angulos
de azimuth e eleva cao, porem, nao realiza a vigilancia omnidirecional. A vigilancia,
2
sinais dos contatos
11
Figura 2.5: Arranjo cilndrico de hidrofones.
Figura 2.6: Arranjo planar de hidrofones.
12
neste caso, e realizada em rela cao ao plano que o arranjo est a posicionado. Cada
um destes arranjos com suas geometrias e o n umero de hidrofones tem uma determi-
nada resolu cao e podem ser usados para diversas aplica coes em problemas de sonar
passivos [1].
Os resultados experimentais apresentados neste trabalho foram obtidos atraves
dos sinais adquiridos de um sistema de sonar passivo, a partir de um arranjo de
hidrofones cilndrico, que esta instalado nos submarinos da Marinha do Brasil.
2.3.2 Conformacao de Feixes
A conforma cao de feixes tem a nalidade de investigar as dire coes de interesse (DOA
- Direction Of Arrival), de modo a observar a energia de um determinado contato
(alvo) [7] em uma determinada dire cao. Existem varias formas para a realiza cao
da conforma cao de feixes [1]. A mais comum, emprega a tecnica do atraso e soma
(delay and sum), que e normalmente implementada para realizar a estima cao da
dire cao de sinais de banda larga.
Dado um arranjo, com N hidrofones, e sendo x
n
(t) o sinal recebido no enesimo
hidrofone, tal que n = 0, 1, , N 1, o conformador atraso e soma e mostrado na
Figura 2.7. As entradas x
n
(t) sao os sinais provenientes do arranjo de sensores,
n
sao os deslocamentos temporais inseridos para direcionar os sinais em uma determi-
nada dire cao e w
n
sao pondera coes usadas para formar a resposta do conformador.
Quando os atrasos temporais sao iguais aos atrasos atuais de um sinal que esta se
propagando atraves do arranjo, este sinal, entao, e somado de forma coerente pelo
conformador e refor cado naquela dire cao. Sinais chegando de outras dire coes sao
somados de forma incoerente e sao atenuados.
0
1
N-1
x
0
(t)
x
1
(t)
x
N-1
(t)
w
0
w
1
w
n-1
b(t)
Figura 2.7: Conformador de feixes do tipo atraso e soma.
13
Neste trabalho, foi utilizado um arranjo de sensores do tipo cilndrico composto
de 96 staves e que realiza a conforma cao dos feixes com 32 staves adjacentes para
calcular a dire cao de interesse. Esta congura cao fornece uma resolu cao angular de
3, 75
o
, como e mostrado na Figura 2.8.
Figura 2.8: Conforma cao de feixes com um arranjo cilndrico.
A Figura 2.9 mostra o graco da dire cao de chegada (marca caotempo) de um
sistema de sonar passivo. Nesta Figura, o eixo horizontal representa a marca cao em
graus, que vai de 0
o
a 180
o
em um bordo e de 0
o
a 180
o
para outro bordo, fazendo
a cobertura em 360
o
. O eixo vertical representa o tempo em segundos, onde cada
tra co maior representa uma janela temporal de 60 segundos. A energia em cada
marca cao tem uma representa cao em escala de cinza, quanto maior for a tonalidade
cinza, maior sera probabilidade de um alvo esta presente naquela marca cao. Com
isto, e possvel ao operador sonar fazer uma observa cao visual de que dire cao vem o
contato.
T
E
M
P
O

(
s
)
MARCAO (graus)
Figura 2.9: Graco Marca caoTempo.
14
2.3.3 Processamento de Sinal
A conforma cao de feixes e importante para a obten cao da dire cao de chegada dos
contatos [7]. Apos a estima cao da dire cao de chegada de um contato, se faz ne-
cessario o processamento dos sinais para a caracteriza cao do mesmo. Um sistema de
sonar passivo realiza a detec cao, classica cao e em algumas situa coes o acompanha-
mento de um contato. Para a realiza cao da detec cao dos sinais, apos a conforma cao
de feixes, duas analises principais sao realizadas. A analise LOFAR (LOw Frequency
Analysis and Recording) e a analise DEMON (Demodulation of Envelope Modula-
tion On Noise). A analise LOFAR tambem e usada para a realiza c ao da classica cao
do contato, pelo fato desta analise, fornecer caractersticas do maquinario do con-
tato.
Analise LOFAR
A analise LOFAR e uma analise espectral de banda larga [2] que caracteriza a faixa
de frequencia do rudo das maquinas do contato. A Figura 2.10 mostra o diagrama
de blocos da analise LOFAR.
JANELA
HANNING
FFT NORMALIZA APRESENTA
Figura 2.10: Diagrama de blocos da analise LOFAR.
Fornecida uma dire cao de interesse, o sinal primeiramente e ltrado e multipli-
cado por uma janela de Hanning [8]. Posteriormente, uma tranformada de Fourier
(STFFT) e realizada [9] para que seja obtido uma representa cao do sinal no domnio
da frequencia (modulo do espectro). Entao, o sinal e normalizado usando o algo-
ritmo TPSW (Two Pass Split Window) [2], [10] e [11] com o objetivo de realizar a
estimativa do rudo de fundo. A Figura 2.11 mostra como e realizada a ltragem
usando o TPSW. O objetivo e criar uma janela que se desloca ao longo do sinal
realizando uma media local para remover o rudo de fundo e normalizar o sinal.
Com isto, os picos de frequencia de menor amplitude cam mais evidentes e ocorre
uma remo cao da tendencia do sinal, de forma que as amplitudes em todo o espectro
sejam normalizadas.
A Figura 2.12 mostra uma apresenta cao tpica da analise LOFAR. O eixo ho-
rizontal corresponde a frequencia, que neste caso, cobre a faixa de 0 a 15.625 Hz,
enquanto o eixo vertical representa a janela temporal. Nesta apresenta cao, a janela
temporal foi de aproximadamente 25 segundos, com um segundo de apresenta cao
em cada linha. Existe uma frequencia de 2.506 Hz que persiste todo o tempo da
janela temporal. Esta frequencia caracteriza um rudo do maquinario referente ao
15
Figura 2.11: Janela usada para remover o rudo de fundo com o algoritmo TPSW.
tipo do contato a ser identicado.
Frequncia
T
e
m
p
o
0 5000 10000 15000
0
5
10
15
20
25
Figura 2.12: Analise LOFAR.
Analise DEMON
A analise DEMON, e uma analise de banda estreita que, opera sobre o rudo de
cavita cao da propulsao do alvo com o proposito de identicar o n umero de eixos, a
frequencia de rota cao dos eixos e o n umero de pas [2] e [12]. Esta analise possibilita
a detec cao e identica cao de um contato por parte do operador sonar. A Figura
2.13, mostra o diagrama de blocos da analise DEMON classica.
A partir de uma determinada marca cao, o sinal e limitado em banda atraves de
um ltro passa-faixa, na banda de frequencia onde a cavita c ao e mais acentuada
[5]. A faixa de frequencia de cavita cao pode ir de centenas ate milhares de Hertz.
16
MARCAO
FILTRAGEM SFFT NORMALIZA REAMOSTRA APRESENTA
DEMODULA
Figura 2.13: Diagrama de blocos da analise DEMON.
Porem, em determinadas bandas de frequencias, a cavita c ao e mais caracterizada,
isto e, o ndice de modula cao e mais acentuado, facilitando a identica cao do con-
tato. Apos a ltragem, o sinal e demodulado para obter as informa coes sobre a
propulsao do contato. Como a frequencia de amostragem do sinal e elevada em
rela cao a banda de frequencia da propulsao, uma reamostragem e realizada para
que o sinal seja transposto para a banda de propulsao. Entao, uma transformada
rapida de Fourier (STFFT - Short Time Fourier Transform) e implementada para
a obten cao do espectro do sinal. Como ja foi explanado anteriormente, na analise
LOFAR, a normaliza cao e implementada para a realiza cao da equaliza cao dos picos
de frequencia. Entao, ocorre a apresenta cao do espectro.
A Figura 2.14 mostra o graco de uma analise DEMON classica. O eixo horizon-
tal representa a escala de rota cao, em rpm, enquanto a escala vertical corresponde
a amplitude em dB. A amplitude maior representa a velocidade de rota cao do eixo,
enquanto os harmonicos subsequentes indicam o n umero de pas [12].
0 500 1000 1500
0
0.5
1
ROTA O (rpm)
A
M
P
L
I
T
U
D
E

(
d
B
)
0 500 1000 1500
0
0.5
1
ROTA O (rpm)
A
M
P
L
I
T
U
D
E

(
d
B
)
0 500 1000 1500
0
0.5
1
ROTA O (rpm)
A
M
P
L
I
T
U
D
E

(
d
B
)
Rotao
A
m
p
l
i
t
u
d
e
Figura 2.14: Analise DEMON.
Classica cao
Um modulo de processamento importante em um sistema de sonar passivo e a clas-
sica cao de alvos para dar apoio a decisao na caracteriza cao de um contato por
parte do operador sonar [13] [14] e [15]. Usualmente, a classica cao e baseada na
17
extra cao de caractersticas relevantes do contato a ser classicado e usa estas ca-
ractersticas para decidir se o alvo detectado pertence a uma determinada classe.
Como ja foi mencionado anteriormente, as caractersticas dos contatos sao extradas
tipicamente no domnio da frequencia, atraves da analise LOFAR. Porem, em fun cao
das interferencias nas dire coes de interesse e uma grande quantidade de classes que
normalmente estao muito proximas, a classica cao automatica, frequentemente usa
algoritmos de inteligencia computacional visando a obten cao da melhoria na rela cao
sinal interferencia do contato. Redes neurais [16] tem sido usadas em sistemas de
sonar passivo com sucesso na classica cao dos sinais [13], [14], [17] e [18]. Outras
tecnicas de processamento de sinais tem sido aplicadas para a realiza cao da tarefa
de classica cao, Peyvandi et. al, [19], usou o modelo de Markov escondido com
a similaridade de Hausdor para a detec cao e classica cao de alvos. Uma outra
maneira para a realiza cao da classica cao de sinais em sistema de sonar passivo e
usar o metodo de Prony [20], que fornece um modelo alternativo de mapeamento
no domnio da frequencia (os sinais sao modelados atraves de um somatorios de
senoides amortecidas) que sao adaptadas para sinais ac usticos.
Foi realizada uma pesquisa bibliograca com objetivo de vericar o estado da
arte das analises DEMON e LOFAR, bem como os modelos que estao sendo apli-
cados para que, estas analises, possam melhorar a detec cao da propulsao e da clas-
sica cao de contatos. Porem, pelo fato deste material ser condencial e conter um
grau de sigilo rigoroso, nao foram encontrados trabalhos publicados, nesta area.
Principalmente, no que diz respeito à parte militar, nem tao pouco, que tipo de
pre-processamento tem sido utilizado para melhorar a identica cao de um contato.
Os trabalhos publicados, na maioria, estao correlacionados com a Marinha do Brasil
(MB) e os que sao de fora, nao fornecem informa coes sucientes para que se pudesse
estabelecer o estado da arte no momento atual. Tudo o que foi feito, partiu de
discussoes, com os pesquisadores e o pessoal operativo da Marinha.
2.3.4 Tipos de Sistemas de Sonar Passivo
A gura 2.1, mostrada anteriormente, ilustra varios tipos de sistemas de sonar pas-
sivo que estao em uso hoje. O arranjo rebocavel e usado normalmente por navios de
superfcie, mas tambem podem ser usados por submarinos. Os sinais sao enviados
atraves do cabo de reboque para serem processados a bordo dos navios. Os navios de
superfcie e submarinos sao frequentemente equipados com os sensores montados no
casco, nas formas que foram explanadas nas se cao 2.3.1, porem, o arranjo rebocavel
se torna mais imune ao rudo proprio do navio.
A sonoboia e um dispositivo descartavel que pode ser lan cado de uma aeronave
no oceano e que transmite sinais de seu sensor atraves de um link de radio para a
18
serem processados no sonar da aeronave. Normalmente, as sonoboias sao lan cadas
em conjunto em uma determinada area no oceano e a aeronave realiza a varredura
recebendo os sinais de radio das diversas sonoboias da regiao para a detec cao de
submarinos.
Para a vigilancia passiva das zonas costeiras e portos, varios arranjos de senso-
res podem ser instalados no fundo do mar e ligados por cabos a uma esta cao de
processamento destes sinais em terra.
Os sensores que estao imersos no oceano compoem a parte molhada do sistema de
sonar. Os hidrofones geralmente sao escolhidos para ter uma resposta omnidirecional
nas frequencias de interesse, sensores de velocidade das partculas sao por vezes
utilizados para realizar uma resposta direcional. Um dos principais objetivos ao se
projetar um hidrofone e fazer com que rudo o ambiente se torne limitado, ou seja,
o principal contribuinte para o nvel de rudo total deve ser o rudo ambiente gerado
pela agua que incide sobre o hidrofone. Este tipo de rudo e intrnseco ao ambiente
submarino e impoe uma limita cao inevitavel sobre o desempenho do sonar. Outro
componente de rudo e chamado de rudo proprio: exemplos, sao o rudo eletronico
do amplicador do hidrofone, o rudo canalizado para o hidrofone de sua montagem
mecanica, e o rudo de uxo (resultante da agua, que passou pelo hidrofone). Ao
contrario do rudo ambiente, o rudo proprio esta sob o controle do projetista do
sistema e e passvel de redu cao atraves da constru cao de sistemas que tornem a SIR
em rela cao ao rudo proprio cada vez menor. Os arranjos de sensores sao usados
com frequencia para aumentar a sensibilidade na detec cao ou para fornecer uma boa
resolu cao na estima cao da dire cao de chegada.
O sistema eletronico para o processamento e a apresenta cao de dados que foram
recebidos pela parte molhada constituem a parte seca do sistema de sonar passivo.
Os sistemas de sonares passivos modernos dependem quase que exclusivamente de
processamento digital de sinais para o seu funcionamento. No incio do desenvol-
vimento de sonares passivos, processadores customizados foram utilizados para a
realiza cao do processamento das tarefas que necessitavam de uma carga computa-
cional intensiva, porem, novos processadores tem substitudo estes processadores
especializados. O software de que realiza o processamento do sinal e normalmente
escrito em uma linguagem de alto nvel, com um sistema operacional de tempo real.
A principal fun cao realizada pelo processamento analogico em um sonar de hoje e
o condicionamento de sinal, tal como a amplica cao e ltragem, que e necessaria en-
tre o hidrofone e o conversor analogico/digital (ADC - Analog-to-Digital Converter).
No incio, a faixa dinamica dos sonares passivos foi insuciente para condicionar a
variabilidade dos nveis do rudo ambiente, sendo necessario a inclusao controle de
ganho automatico (AGC - Automatic Gain Control). Com o desenvolvimento tec-
nologico dos ADC, que agora contem, uma ampla faixa dinamica, se tornou possvel
19
para eliminar o AGC.
A ideia do sistemas de sonares passivos modernos e fazer com que o operador
sonar tenha cada vez mais facilidade na interpreta cao dos resultados dos sinais
processados. Existe tambem, uma preocupa cao na apresenta cao destes dados de
forma que o operador sonar possa tomar as decisoes sobre a detec cao e classica cao
dos contatos. Por outro lado, o volume de processamento dos sinais se tornou
grande com os avan cos da tecnologia e, os sinais devem ser armazenados para evitar
um desgaste maior por parte do operador sonar. Alem disto, decisoes automaticas
podem ser desenvolvidas como forma de reduzir a carga de trabalho do operador
sonar, apoiando a sua decisao quanto a presen ca ou ausencia de um contato.
2.3.5 Equacao de um Sistema de Sonar Passivo
O proposito de um sistema de sonar passivo e detectar sinais que est ao contaminados
por rudo, e medir o desempenho desta detec cao. A medida do desempenho pode
ser obtida a partir da equa cao sonar [6]. Uma das formas da equa cao de um sistema
de sonar passivo e:
SE = SL NL +AGTL DT (2.1)
onde as variaveis da equa cao 2.1 sao descritas como:
SE - Excesso de sinal na entrada do detector (em dB);
SL - Nvel da fonte na distancia de 1 metro do centro ac ustico da fonte que
esta irradiando o sinal (nvel de pressao do som em dB relativo a 1 Pa a 1
metro;
NL - Nvel de rudo no receptor (nvel de espectro em db relativo Pa
2
/Hz ;
AG - Ganho do arranjo que melhora a rela cao sinal/rudo (SNR) fornecida pela
diretividade do sistema de sensores em rela cao a um hidrofone omnidirecional
(em dB);
TL - Perda na transmissao entre a fonte e o receptor sonar (em dB); e
DT - Limiar de detec cao, ou SNR necessario para o detector ter um desempe-
nho especco (em dB).
Para aplica coes militares que usa sistemas de sonar passivo, o rudo irradiado por
navios e submarinos e de grande importancia na detec cao e classica cao de contatos.
As caractersticas dos sinais sao modeladas teoricamente a partir de mecanismos
geradores destes rudos [21]. O espectro do rudo irradiado pelo navio e misturado
20
com o espectro contendo os componentes discretos e contnuos do navio. Como
mostrado na Figura 2.2. Os componentes discretos sao tons produzidos pela rota cao
das propulsoes, maquinas compressores e bombas. Estes componentes tonais sao
dependentes ou independentes da velocidade de acordo com a mudan ca no nvel
da frequencia quando o navio muda de velocidade. O rudo contnuo, chamado de
rudo de banda larga se origina do rudo de cavita cao e cresce a medida que que a
velocidade aumenta.
2.4 Caractersticas dos sinais recebidos por um
sistema de sonar passivo
Os sinais gerados por grande parte das maquinas de um navio pode ser conside-
rado como um sinal e aleatorio estacionario no sentido amplo, desde que nao ocorra
altera coes no regime das maquinas, no rumo e na velocidade do contato. Esta
situa cao se mantem durante grande parte do tempo, se alterando apenas eventual-
mente, quando o contato faz alguma manobra ou altera seu regime de maquinas.
Apos alguma manobra, as maquinas retornam a uma condi cao estavel, embora, nao
obrigatoriamente, a mesma em que elas estavam antes. Este sinais sao normalmente
chamados de rudo. Desta forma, o rudo gerado pelo um contato, proveniente de
uma determinada dire cao, e uma composi cao dos sinais das diversas maquinas do
contato e pode ser considerado estacionario no sentido amplo.
O rudo que e irradiado pelo proprio navio onde os hidrofones estao instalados,
sofre altera coes, durante sua propaga cao no ambiente submarino, que fazem com que
o sinal, recebido pelo sensor de um sistema de sonar passivo distante, nao seja mais
um sinal estacionario. Em primeiro lugar, o rudo irradiado varia com em rela cao à
linha proa-popa do navio.
Devido ao que foi abordado anteriormente, o sistema de sonar passivo tem di-
culdades, na detec cao e classica cao de um contato proveniente de uma determinada
dire cao. Um pre-processamento destes sinais, se faz necessario para melhorar a iden-
tica cao de um contato em uma determinada dire cao. Dentre os varios, a separa cao
cega de fontes foi escolhida.
Existem varios modelos de separa cao cega de fontes que podem ser utilizados
para melhorar a a detec cao e classica cao de sinais de sonar passivo. Porem, neste
trabalho foi utilizado o modelo basico de separa cao cega de fontes com o objetivo de
melhorar a rela cao, sinal/interferencia e sinal/rudo, de sinais que estejam espacial-
mente muito proximos, pelo fato do sinais que estao separados, ja serem provenientes
de das suas respectivas marca coes e terem sido adquiridos em aguas profundas [5].
21
Captulo 3
Separa cao Cega de Fontes
O objetivo da separa cao cega de fontes (BSS - Blind Source Separation) e estimar
fontes que foram misturadas de alguma forma desconhecida. Da a utiliza cao da
palavra cega. A separa cao cega pretende enfatizar a falta ou quase nenhum co-
nhecimento, que se tem acerca das fontes que deram origem à mistura. A mistura
sim, completamente conhecida (dados observados), e o ponto de partida e objeto de
trabalho de varios metodos que existem para a resolu cao do problema da separa cao
cega de fontes [22], [23].
Neste trabalho, o problema de separar ou estimar os parametros dos sinais origi-
nais a partir do conjunto de amostras recolhidas pelos sensores, sem conhecimento
das caractersticas das misturas e das fontes, esta relacionado com:
Analise de Componentes Independentes (ICA - Independent Component
Analysis) [24] ; e
Fatora cao de Matrizes nao Negativas (NMF - Nonnegative Matrix Factoriza-
tion) [25] .
Este captulo tem a nalidade de apresentar os principais algoritmos que realizam
a separa cao cega de fontes e metodos relacionados [22], [24] e [25]. No caso dos sinais
de sonar passivo, nao se tem conhecimento da informa cao a priori, sobre o sinal, nem
sobre o ambiente em que o sinal esta sendo propagado. Desta forma, a separa cao
cega de fontes se aplica à extra cao dos componentes pertencentes a estes sinais
misturados.
3.1 Analise de Componentes Independentes
Uma maneira de se realizar a separa cao cega de fontes e fazer uma analise dos
componentes independentes. Isto signica dizer que o valor de um componente nao
fornece nenhuma informa cao sobre o valor de qualquer outro. Considerando que os
22
componentes originais sao estatisticamente independentes, entao, o que se pretende
e extrair os componentes a partir das observa coes.
A tecnica de analise de componentes independentes teve uma grande motiva cao
na decada de 80 com a publica cao dos trabalhos [26], [27] e [28]. O problema
surgiu, primeiramente, em 1982, ligado à neurosiologia. Era um modelo que tinha
por objetivo a codica cao do movimento durante a contra cao muscular. As sadas,
destes modelos, eram obtidas a partir de dois sensores que mediam as contra coes
musculares. A ideia era determinar outros dois sinais que informavam a posi cao
angular e a velocidade da articula cao em movimento. Chegou-se a conclusao que o
sistema nervoso interferia na posi cao angular e na velocidade da articula cao. Entao,
foi desenvolvido, em 1991 o trabalho de Jutten et. al. [29] para solucionar este
problema.
Como pode ser observado, a ICA era, essencialmente, objeto de pesquisas ci-
entcas, somente usada pela comunidade de cientistas franceses e com pouco im-
pacto internacional. Em 1989, foi realizada a primeira ocina internacional de uma
area que fazia uma abordagem sobre analise espectral de ordem superior. Foi nesta
ocina que surgiram os trabalhos de Cardoso [30] e de Common [31]. Os trabalhos se
baseavam em cumulantes para a realiza cao da ICA. Estes trabalhos serviram como
base para a cria cao de dois algoritmos de ICA, o algoritmo JADE e o metodo de
diagonaliza cao de cumulantes de ordem superior [32].
Ate os anos 90, trabalhos que abordavam a ICA se mantiveram reduzidos. O
grande interesse da comunidade cientca em ICA aconteceu em meados do anos 90,
depois da publica cao dos trabalhos de Common [33]. Posteriormente, em 1995, Bell
et. al. [34] implementaram um trabalho que se baseava no princpio informax. Em
1996, Amari implementou um trabalho de separa cao cega de fontes usando o gra-
diente natural. Poucos anos depois, surgiu o algoritmo FastICA [35] implementado
por Oja, Hyvarinen e Karhunen.
Para a deni cao do problema de ICA, pode-se recorrer a um modelo estatstico
de variaveis latentes. Sendo um modelo gerativo, a ICA descreve como os dados
observados sao gerados atraves de um processo de mistura dos componentes inde-
pendentes.
A analise de componentes independentes considera que um conjunto de N sinais
observados x(t) = [x
1
(t), ..., x
N
(t)]
T
seja gerado por uma combina cao linear de fontes
de sinais s(t) = [s
1
(t), ..., s
N
(t)]
T
:
x(t) = As(t) (3.1)
onde A e a matriz de misturas NxN [22]. Sendo formulado, desta maneira, o
problema da ICA tambem pode ser chamado de separa cao cega de fontes [36] e o
23
seu proposito e a estimativa das fontes originais s(t) usando somente os dados x(t).
Uma solu cao pode ser obtida achando-se a inversa da matriz de misturas B = A
1
e aplicando-se esta transforma cao inversa nos sinais observados para, entao, obter
as fontes originais.
s(t) = Bx(t) (3.2)
Um princpio geral para a estima cao da matriz B pode ser formulado conside-
rando que os sinais originais sao estatisticamente independentes, ou que eles possam
ser tao independentes quanto possvel. Informa coes sobre as estatsticas de ordem
superior (HOS - High Order Statistic) sao necessarias para a realiza cao da analise de
componentes independentes. Existem varios metodos matematicos para a realiza cao
do calculo dos coecientes da matriz B. Porem, a descorrela cao nao linear e a maxi-
miza cao da nao gaussianidade sao os mais aplicados [22]. Existem tambem algumas
indetermina coes no modelo da ICA, de forma que podem ocorrer mudan cas na or-
dem da extra cao dos componentes independentes. Multiplicadores escalares tambem
podem fazer modica coes nos componentes estimados. Mas, estas indetermina coes,
na maioria das aplica coes, sao irrelevantes [24].
O problema pode ser resumido, entao, em encontrar os sinais originais sem qual-
quer conhecimento previo dos mesmos, conhecendo-se apenas a mistura, que e uma
combina cao linear desses sinais originais. Nem sempre, se consegue encontrar tal
representa cao, mas pode-se chegar ate os componentes que sejam tao independentes
quanto possvel.
3.1.1 O Princpio da Independencia Estatstica
O princpio da independencia estatstica estabelece que, duas variaveis aleatorias a
e b, sao estatisticamente independentes se e somente se [37]:
p
a,b
(a, b) = p
a
(a)p
b
(b) (3.3)
onde p
a,b
(a, b), p
a
(a) e p
b
(b) sao respectivamente as fun coes densidade de proba-
bilidade conjunta e marginais (pdf) das variaveis aleatorias a e b respectivamente.
Uma condi cao equivalente e obtida se, para todas as fun coes, g(a) e h(a), que sao
absolutamente integraveis, obtem-se a seguinte expressao:
E{g(a)h(b)} = E{g(a)}E{h(b)} (3.4)
onde E{.} e o operador de expectancia [37].
Em problemas de separa cao cega de fontes, a estima cao direta das pdfs e uma
tarefa bastante complicada. A Equa cao 3.4, fornece uma alternativa para a me-
dida da independencia, de modo que varios algoritmos de ICA, que procuram pela
24
descorrela cao nao linear, foram desenvolvidos.
Variaveis aleatorias independentes nao sao correlacionadas, embora a recproca
nem sempre seja verdadeira. A correla cao linear e vericada pelas estatsticas de
segunda ordem, enquanto a independencia, para ser vericada, necessita de in-
forma coes estatsticas de ordem superior. Em metodos de descorrela cao nao linear,
as fun coes nao lineares apresentam estas estatsticas.
Como mostrado na Equa cao 3.4, duas variaveis aleatorias s ao estatisticamente
independentes se elas forem descorrelacionadas de forma nao linear. Como nao e
possvel vericar toda a integra cao das fun coes, g(.) e h(.), a estimativa dos com-
ponentes independentes e obtida garantindo a descorrela cao nao linear entre um
conjunto nito de fun coes nao lineares [24]. Como exemplo, pode ser citado um
algoritmo, bem conhecido, de Chichoki e Unbehauen proposto em [22]. Este algo-
ritmo obtem os componentes independentes enquanto fornece a descorrela cao entre
a tangente hiperbolica e uma fun cao polinomial, que sao aplicadas aos sinais de
entrada.
3.1.2 Nao Gaussianidade e Independencia
Nesta se cao, a independencia entre variaveis aleatorias (fontes de sinais) e obtida
em termos da nao gaussianidade.
Medida da nao Gaussianidade
Seja o modelo descrito na Equa cao 3.1. Esta Equa cao pode ser reescrita da seguinte
forma:
x
i
=
N
j=1
a
ij
s
j
i = 1, . . . , N (3.5)
O teorema do limite central [37] e [38] arma que, a soma de variaveis aleatorias
independentes vai na dire cao de produzir uma variavel aleatoria mais gaussiana do
que a distribui cao original cada variavel. Como descrito na Equa cao 3.5, os sinais
observados x
i
sao formados por um somatorio ponderado das fontes s
i
. Desta forma,
x
i
esta mais gaussiana do que as variaveis s
i
. Entao, os componentes independentes
podem ser obtidos atraves da maximiza cao da nao gaussianidade [39].
A gaussianidade e, consequentemente, a independencia estatstica de uma
variavel aleatoria, pode ser medida atraves de cumulantes de ordem superior. Con-
siderando uma variavel aleatoria x, o momento
k
e o momento central
k
de ordem
k sao denidos por [38]:
k
= E{x
k
} =
_

x
k
p
x
(x)dx (3.6)
25
k
= E{(x
1
)
k
} =
_

(x
1
)
k
p
x
(x)dx (3.7)
onde
1
= m
x
e a media de x. Se a variavel aleatoria x for uma variavel media zero,
isto e, m
x
= 0, entao, para todo k tem-se que
k
=
K
.
O cumulante
k
de ordem k, e denido em fun cao dos momentos [38]. Por
exemplo, para uma variavel aleatoria x media zero, os quatro primeiros cumulantes
tem as seguintes formulas:
1
= 0 (3.8)
2
= E{x
2
} =
2
(3.9)
3
= E{x
3
} =
3
(3.10)
4
= E{x
4
} 3[E{x}
2
]
2
=
1
3
2
2
(3.11)
Os cumulantes de terceira e quarta ordem sao respectivamente a simetria (
3
)
e a kurtose (
4
) [22]. Cumulantes de ordem superior aos cumulantes de quarta or-
dem sao raramente aplicados em problemas praticos de ICA. Algumas propriedades
interessantes dos cumulantes sao:
k
(x +y) =
k
(x) +
k
(y) (3.12)
k
(x) = 0, para k > 2 se x for gaussiana (3.13)
Pode-se dizer, entao, que os cumulantes de ordem maior do que dois podem ser
aplicados para a realiza cao da estima cao da gaussianidade de dados. O valor da
simetria, por exemplo, esta relacionado com a simetria da fun cao de densidade de
probabilidade, isto e,
3
= 0, indica que a pdf e simetrica. No intervalo de [2.),
quando a kurtose e zero, pode ser um indicativo que a variavel e gaussiana. Valores
negativos da kurtose indicam que a variavel e sub-gaussiana; isto e, a pdf se torna
mais suave do que a gaussiana. Por outro lado, valores positivos da kurtose indi-
cam que a variavel aleatoria e super-gaussiana. Neste caso, a pdf e mais aguda do
que a gaussiana [22] e [38]. Kurtose pode ser calculada substituindo a expectancia
da Equa cao 3.11 pela media das amostras da variavel. Um cuidado que deve ser
tomado no calculo da kurtose e que ela pode sofrer inuencia consideravel aos outi-
liers(observa coes que estao numericamente distantes do resto dos dados). Em casos
extremos, o valor da kurtose pode ser calculado por um pequeno n umero de pontos
[40]. Estudos tem obtido uma robusta estima cao de cumulantes de ordem superior
26
[41].
Uma forma alternativa de se medir a gaussianidade de uma variavel aleatoria
pode ser obtida da teoria da informa cao [42]. Os parametros para a realiza cao
da medida sao, normalmente, mais robustos às medidas discrepantes da variavel
aleatoria. Um exemplo e a negentropia de uma variavel aleatoria x, que e calculada
atraves [42]:
J(x) = H(x
gauss
) H(x) (3.14)
onde H(.) e a entropia, e x
gauss
e uma variavel gaussiana com a mesma media e
variancia de x. A entropia e um dos conceitos basicos da teoria da informa cao e
pode ser denida como o nvel de informa cao contido em uma variavel aleatoria.
A entropia H(x) pode ser vista como o comprimento de codigo mnimo para que
a variavel aleatoria x tenha representatividade [42]. Se considerarmos a variavel
aleatoria discreta, a entropia e denida como [43]:
H(x) =
i
P(x = a
i
)logP(x = a
i
) (3.15)
onde a
i
sao os possveis valores assumidos pela variavel x, e P(x = a
i
) e a probabi-
lidade que x = a
i
.
As variaveis aleatorias gaussianas tem a maxima entropia entre variaveis de
mesma variancia [39]. Desta forma, pode ser dito que a entropia e a negentro-
pia podem ser usadas como medidas de gaussianidade. A vantagem da negentropia,
como mostra a Equa cao 3.14, e que ela sempre vai ser nao negativa e se tornara
zero quando a variavel x for gaussiana. Um problema com o calculo de J(.) e H(.)
em processamento cego de sinais e a estima cao da pdf (observe as Equa coes 3.14 e
3.15). Para evitar este problema, sao realizadas aproxima coes usando cumulantes
de ordem superior. Fun coes nao polinomiais tambem poderao ser aplicadas [39].
Medida da Independencia
Uma forma de medir a independencia estatstica entre variaveis aleatorias pode
ser obtida atraves da informa cao m utua. A informa cao m utua entre m variaveis
aleatorias, expressa a quantidade de informa cao que uma variavel tem sobre a ou-
tra [42]. Entao, a minimiza cao da informa cao m utua leva para a independencia
estatstica. Seja x = [x
1
, x
2
, . . . , x
m
], entao a informa cao m utua pode ser obtida
atraves da formula [39]:
I(x
1
, . . . , x
m
) =
m
i=1
H(x
i
) H(x) (3.16)
Um outro metodo da teoria da informa cao para medir a independencia estatstica
27
entre as variaveis aleatorias e a divergencia. Na teoria da informa cao a divergencia e
o aumento progressivo entre duas distribui coes. Um divergencia que normalmente e
usada para medir esta independencia estatstica e a divergencia de Kullback-Leibler
(KL), que e denida pela Equa cao 3.17, da seguinte forma [22].
C
kl
(q, p) =
_
q
x
(x)log
q
x
(x)
p
x
(x)
dx (3.17)
A divergencia KL tem a nalidade de medir a (dis)similaridade de duas densidades
de probabilidades, p
x
(x) e q
x
(x). Esta divergencia e sempre nao negativa e atinge
o valor mnimo de zero quando as densidades sao identicas. Por exemplo, se uma
pdf e gaussiana, entao a maximiza cao da Equa cao 3.17 e equivalente a maximiza cao
da nao gaussianidade entre as variaveis. A referencia [22], mostra que a divergencia
KL, em determinadas situa coes, e equivalente a informa c ao m utua.
A medida da independencia entre variaveis aleatorias tambem pode ser realizada
usando os cumulantes cruzados [44]. A nalidade dos cumulantes cruzados e medir
a independencia dos componentes extrados atraves dos algoritmos de ICA. Foi deri-
vada uma formula para o calculo da independencia atraves de tensores cumulantes.
Um caso especial, onde, n = 4 permite o calculo dessa medida com eciencia, usando
matrizes cumulantes.
Como mencionado anteriormente, quando se trata de independencia estatstica,
precisa-se considerar as leis da probabilidade e realizar o calculo das fun coes densi-
dade de probabilidade (pdf) das variaveis aleatorias. Mas, na pratica, a estimativa
destas pdf nao e conseguida de forma trivial. Entao, para quanticar de que forma
esta independencia pode ser calculada, necessita-te de se obter os cumulantes cru-
zados entre as variaveis aleatorias. A formula do cumulante de quarta ordem e
mostrada a seguir.
4
cum
=
n
i,j=1
n
k,l=1
cum{x
i
, x
j
, x
k
, x
l
}
2
(3.18)
onde x e um vetor aleatorio cujo os componentes sao x
1
. . . x
n
, tem media zero
e cum{x
i
, x
j
, x
k
, x
l
} e o cumulante de quarta ordem das variaveis aleatorias
x
i
, x
j
, x
k
, x
l
que pode ser escrito da seguinte forma [37]:
Cum{x
i
, x
j
, x
k
, x
l
} = E{x
i
, x
j
, x
k
, x
l
} E{x
i
, x
j
}E{x
k
, x
l
}
E{x
i
, x
k
}E{x
j
, x
l
} E{x
i
, x
l
}E{x
k
, x
j
} (3.19)
Agora vai ser denido, como em Cardoso [45], uma matriz cumulante de quarta
ordem da seguinte maneira:
28
cum
2,2
x
(A) = E{xx
T
x
T
Ax} E{xx
T
}E{x
T
Ax}
E{xx
T
}AE{xx
T
} E{xx
T
}A
T
E{xx
T
} (3.20)
onde A
n
2
e uma matriz. O (i, j)-esimo elemento de Cum
2,2
x
(A) e:
Cum
2,2
x
(A)
i,j
=
n
k,l=1
cum{x
i
, x
j
, x
k
, x
l
}A
k,l
(3.21)
Entao, vai ser desenvolvida uma maneira eciente de calcular
4
cum
(x). Se; a
I
k,l
e uma matriz n n que tem 1s nas posi coes (k, l) e os outros elementos, desta
matriz, tem valores iguais a zero. Entao da Equa cao 3.21 obtem-se:
Cum
2,2
x
(I
k,l
)
i,j
= cum{x
i
, x
j
, x
k
, x
l
} (3.22)
Aplicando 3.21 duas vezes, obtemos:
Cum
2,2
x
Cum
2,2
x
(I
u,v
)
i,j
=
n
k,l=1
cum{x
i
, x
j
, x
k
, x
l
}(cum
2,2
x
(I
u,v
))
k,l
=
n
k,l=1
cum{x
i
, x
j
, x
k
, x
l
}cum{x
k
, x
l
, x
u
, x
v
} (3.23)
Em particular, quando (i, j) = (u, v) e usando a propriedade da simetria dos
cumulantes [22] obtem-se a seguinte formula:
Cum
2,2
x
Cum
2,2
x
(I
i,j
)
i,j
= cum{x
i
, x
j
, x
k
, x
l
}
2
(3.24)
Pode-se mostrar, entao, que a Equa cao 3.24 representa o calculo do cumulante de
quarta ordem [44].
Existem duas restri coes que sao importantes para a extra cao dos componentes,
devido a matriz de separa cao, que serao mostradas a seguir.
3.1.3 Escalonamento e Permutacao
No modelo de analise de componentes independentes nao e possvel determinar a
energia de cada componente independente. Isto se deve ao fato de se poder apenas
estimar os sinais originais a menos de uma constante multiplicativa. Sendo desco-
nhecidos quer os sinais e a forma como eles se combinam (a matriz de misturas)
para resultar nas observa coes, qualquer constante multiplicativa de uma fonte pode
ser cancelada dividindo a coluna da matriz de misturas correspondente a esta fonte
29
pela mesma constante. A Equa cao 3.25 mostra como isto acontece.
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
1
a
11
a
12
a
1n
1
a
21
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
a
n1
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
s
1
s
2
.
.
.
s
n
_
_
_
_
_
_
_
_
(3.25)
Esta constante , , pode alterar a magnitude dos sinais, porem, ela nao altera os
seus formatos.
A ordem com que os componentes sao obtidos tambem e indeterminada. Existe
uma matriz de permuta cao que pode mudar esta ordem na extra cao dos compo-
nentes. Desta forma, pode-se concluir que a matriz de separa cao e composta pela
combina cao de uma matriz de escalonamento W e uma matriz de permuta cao P.
B = WP (3.26)
Por exemplo, considere o caso onde se deseja extrair tres componentes de uma
mistura que tem o modelo conforme mostra a Equa cao 3.27, onde a mistura tem o
mesmo n umero de componentes.
_
_
_
_
_
x
1
x
2
x
2
_
_
_
_
_
= A
_
_
_
_
_
s
1
s
2
s
3
_
_
_
_
_
(3.27)
Sempre e possvel encontrar uma matriz de permuta cao onde o modelo pode ser
vericado. A matriz P e a sua inversa sao mostradas na Equa cao 3.28.
P =
_
_
_
_
_
0 1 0
0 0 1
1 0 0
_
_
_
_
_
P
1
=
_
_
_
_
_
0 0 1
1 0 0
0 1 0
_
_
_
_
_
(3.28)
Pode-se concluir que a matriz de permuta cao resulta apenas na altera cao da ordem
dos sinais.
Com as restri coes de escalonamento e permuta cao, do modelo para a extra cao dos
componentes independentes, a questao central da ICA continua a ser de se obter uma
estimativa para os componentes independentes
_
S
_
que combinadas linearmente dao
origem a uma matriz de misturas X.
3.1.4 Estimacao das Funcoes Densidade de Probabilidade
Desde o nal de 1890, varias formas para realizar a estima cao de fun coes de den-
sidade de probabilidades (pdfs) tem sido propostas. A partir de 1956 os metodos
30
de estima cao de fun coes de densidade de probabilidade nao parametricas tem sido
consolidados como uma alternativa sosticada para tratamento tradicional de um
conjuntos de dados. A fun cao de densidade e um conceito fundamental em es-
tatstica. Esta fun cao e denida como real, mensuravel, n ao negativa e satisfaz a
seguinte condi cao:
_
+
f(x)d(x) = 1 (3.29)
Estima cao da pdf usando o Histograma
Por exemplo, pode-se usar o histograma para a estima cao da pdf. Seja, I
1
, I
2
, . . . , I
n
intervalos de dados tal que x I
i
para cada i = 1, . . . , n, o histograma

f e um
estimador de maxima verossimilhan ca dentre os estimadores [46]. Este estimador
tem a seguinte formula:
f =
n
i
n|I
i
|
(3.30)
onde |I
i
| representa o comprimento do intervalo i e n
i
o n umero de elementos na
amostra I
i
.
A estima cao usando histograma tem limita coes importantes. Dentre elas e a
dependencia do comprimento do intervalo e o fato de o histograma nao constituir
uma fun cao contnua [46], [47] e [48].
Estima cao da pdf usando Kernel
Sejam x
1
, . . . , x
n
observa coes independentes e identicamente distribudas que tem
uma determinada fun cao densidade de probabilidade f. Vamos, entao, considerar a
seguinte estimativa dessa fun cao densidade de probabilidade.
f
n
(x, h) =
1
nh
n
i=1
K
_
x x
i
h
_
(3.31)
onde K(), representa uma fun cao n ucleo, tambem chamada de fun cao de kernel,
e h e a largura de banda dessa fun cao, que determina a suaviza c ao da curva da
densidade estimada. A fun cao de kernel deve satisfazer a seguinte propriedade:
_
K(x)d(x) = 1 (3.32)
Silverman, [49], apresenta uma discussao sobre a escolha do n ucleo ideal para
a estima cao das pdfs, mostrando um ndice de eciencia de cada um dos n ucleos
utilizados. A Tabela 3.1 mostra a formula e a eciencia de cada uma das fun coes
kernel que foram abordadas por Silverman. Pode ser observado atraves da Tabela,
31
que a maior eciencia entre as fun coes n ucleos e a de Epanechnikov.
Tabela 3.1: Fun coes Kernel e suas eciencias
Kernel Fun cao analtica, K(x) Eciencia
Epanechnikov
3
4
(1 x
2
) para |x| 1 1
Biquadrada
15
16
(1 x
2
)
2
para |x| 1 0,9939
Triangular 1 |x| para |x| 1 0,9859
Gaussiana
1
2
exp
_
x
2
2
_
para |x| 1 0,9512
Uniforme
1
2
para |x| 1 0,9295
O parametro h, tambem chamado de parametro de suaviza cao ou janela tem um
valor positivo e nao aleatorio. O valor de h e crtico na estima cao da densidade.
Varios metodos tem sido propostos para a escolha de um valor de h ideal [49] e [50].
Como pode ser observado pela formula 3.31, a fun cao de densidade e estimada
baseada em dois parametros: o parametro de suaviza cao, h, e a fun cao kernel. Se
a janela h e a fun cao kernel sao corretamente especicadas, entao a correspondente
fun cao de densidade estimada sera unica para aquele conjunto de dados.
Assim, deve ser escolhido o valor de h que seja otimo para que possa ser obtido
uma unica fun cao de densidade. Uma maneira de realizar a escolha de h e minimizar
o erro medio quadratico dado por:
h
0
= 1, 06min
_

x
,
R
1, 34
_
n
0,2
(3.33)
onde
x
e a estima cao da variancia de x,

R representa a extensao do interquartil de
x, dado por:

R = x
0,75,
x
0,25n
e n e o n umero de observa coes.
O uso dos diferentes metodos para o calculo da independencia tem proporcionado
varias rotinas para a estima cao da matriz de separa cao B [39]. Serao considerados
a seguir alguns destes algoritmos que realizam a ICA.
3.1.5 Algoritmo JADE
O algoritmo JADE (Joint Approximate Diagonalization of Eigenmatrices) realiza a
separa cao cega de fontes atraves da otimiza cao dos cumulantes, que e implementada
nos dados de forma implcita, usando algoritmos da teoria da informa cao [42]. Estes
algoritmos operam nos cumulantes cruzados de segunda e quarta ordem.
O tensor cumulante e um operador linear que e denido pelo cumulante de quarta
ordem cum(x
i
, x
j
, x
k
, x
l
) [39]. Esta opera cao linear gera uma matriz na forma da
Equa cao 3.34. No algoritmo JADE, a autodecomposi cao dos autovalores e conside-
32
rada como um pre-processamento dos dados:
F
ij
(M
i
) =
kl
m
kl
cum(x
i
, x
j
, x
k
, x
l
) (3.34)
onde m
kl
e um elemento da matriz M
i
que e transformada, e x e um vetor aleatorio
de dimensao n 1. O cumulante de segunda ordem e usado para garantir o bran-
queamento dos dados. Um conjunto de matrizes cumulantes e estimado dos dados
branqueados, conforme na Equa cao 3.34, e a matriz F(M) e diagonalizada atraves
da matriz W para alguma matriz M
i
.
Q = WF(M
i
)W
T
(3.35)
A minimiza cao da soma dos quadrados dos elementos fora da diagonal da
Equa cao 3.35 e equivalente à maximiza cao da soma dos quadrados dos elementos da
diagonal, pelo fato da matriz ortogonal W nao realizar mudan cas na soma total dos
quadrados de uma matriz. A maximiza cao do algoritmo JADE e um metodo que
fornece uma aproxima cao conjunta da diagonal de F(M
i
) [39].
J
JADE
W =
i
diag(WF(M
i
)W
T
)
2
(3.36)
3.1.6 Algoritmo FastICA
Os componentes independentes tambem podem ser extrados de uma mistura, rea-
lizando o princpio da nao gaussianidade, em termos da kurtose ou negentropia [39]
e [51]. Considerando uma mistura x
i
e possvel realizar a estima cao dos componen-
tes independentes atraves de uma fun cao custo, como mostrado na Equa coes 3.37 e
3.38., onde W e uma matriz de pondera cao, e z e o vetor de dados branqueado por
uma matriz V, z = Vx.
x = W
T
z (3.37)
|kurt(W
T
z)|
W
= 4sign
_
kurt(W
T
z)
_
E
_
z(W
T
z 3WW
2
)
_
(3.38)
Com a nalidade de tornar o algoritmo mais rapido, o gradiente e calculado na
forma da Equa cao 3.39.
W sign(kurt(W
T
z))E
_
z(W
T
z
_
(3.39)
33
Uma normaliza cao em W, W
W
W
, e realizada para se evitar uma divergencia
no algoritmo. O algoritmo FastICA [52] otimiza esta matriz de pondera cao.
Uma outra possibilidade de maximiza cao da nao gaussianidade e a negentro-
pia [22]. O metodo classico de aproxima cao usando a negentropia e baseado em
cumulantes de ordem superior e a expansao polinomial dos valores de entrada x
como G(x) = log [cosh(x)] ou exp(
x
2
2
) [35]. Usando um algoritmo gradiente ba-
seado neste metodo, as fun coes polinomiais mencionadas anteriormente poderao ser
aplicadas no algoritmo FastICA como e mostrado na Equa cao 3.40.
W E
_
zg(W
T
z
_
E
_
g
(W
T
z)
_
W (3.40)
3.1.7 Algoritmo Newton-Like Multiplicativo
Como observado anteriormente, o problema da otimiza cao tem a nalidade de en-
contrar uma matriz ideal (otima) sob determinadas restri c oes. Um algoritmo mul-
tiplicativo foi proposto por Akuzawa e Murata [53], usando a kurtose como fun cao
custo. Este metodo aplica a otimiza cao de segunda ordem (atraves de um algoritmo
Newton-like) para buscar os componentes independentes [54].
Neste algoritmo nao e necessario o pre-branqueamento dos dados de entrada.
O algoritmo trabalha diretamente sobre os dados. Resultados experimentais foram
obtidos em [55] indicam que, o algoritmo desenvolvido pelo Akuzawa e Murata, tem
um desempenho melhor, na realiza cao da ICA, do que os algoritmos FastICA e o
JADE [36].
A proposta deste algoritmo e encontrar um transforma cao linear y = Bx onde
x = [x
1
, . . . , x
N
]
T
e o vetor das misturas, y = [y
1
, . . . , y
N
]
T
e o vetor que contem
as estimativas das fontes e B e a matriz de separa cao (matriz de (des)mistura). A
seguir serao mostrados os passos executados durante as itera c oes:
1. Escolha B
0
e
0
(N N);
2. Avalie a itera cao: B
i
= exp(
i1
)B
i1
;
3. Avalie a fun cao custo em B
i
usando a expansao de segunda-ordem em torno
de B
i1
;
4.
i
e escolhido como ponto de sela da fun cao custo;
5. Volte para o passo de n umero 2 ate a convergencia.
34
3.2 Fatora cao de Matrizes nao Negativas
A fatora cao de matrizes nao negativas (NMF - Non-negative Matrix Factorization)
come cou a ter uma grande motiva cao a partir da publica c ao do trabalho de Lee et.
al em [56]. Neste trabalho, foi desenvolvido uma aplica cao para o processamento de
imagens e minera cao de dados.
Uma outra area onde a NMF tambem tem sido utilizada, e em aplica coes musi-
cais. A ideia e que atraves da NMF se consiga uma melhor qualidade da m usica.
Algoritmos de aprendizado nao supervisionados, tais como, an alise de componen-
tes principais e quantiza cao vetorial [57], [58], podem ser entendidos como fatora cao
de uma matriz de dados, sujeita a diferentes restri coes. Dependendo da restri cao
utilizada, a fatora cao resultante pode ser levada para diferentes propriedades na
sua representa cao. Por exemplo, a analise de componentes principais impoe uma
restri cao de ortogonalidade, resultando em uma representa cao da maxima variancia
dos dados. Ja a quantiza cao vetorial resulta na clusteriza cao dos dados em agrupa-
mentos mutuamente exclusivos.
A fatora cao de matrizes nao negativas tem por objetivo decompor uma matriz de
dados Xem um produto de matrizes Ae S respectivamente. Pode ser observado que,
pelo fato da matriz de dados ser nao negativa, para a realiza cao de sua fatora cao,
esta restri cao faz com que se possa ja ter aprendido uma parte da representa cao dos
dados [25].
Como ja mencionado anteriormente, dada uma matriz de dados nao negativa
X
mN
, o objetivo da fatora cao e encontrar duas matrizes nao negativas A
mn
e S
nN
tal que:
X AS (3.41)
Pode-se reescrever a Equa cao 3.41 na forma de coluna por coluna x As, onde
x e s sao as colunas correspondentes das matrizes X e S respectivamente. Isto e,
cada vetor x correspondente a uma combina cao linear das colunas de A, ponderados
pelos componentes de s. Desta forma, a A pode ser considerada como a matriz que
contem a base que e otimizada para a aproxima cao linear dos dados em X.
A seguir serao mostradas algumas fun coes custo que podem ser usadas para a
fatora cao de matrizes nao negativas. O objetivo destas fun coes e fazer com que o
modelo da Equa cao 3.41 se aproxime cada vez mais da rela cao X = AS.
35
3.2.1 Fatoracao de Matrizes usando o Metodo das Di-
vergencias
Uma maneira de estimar as matrizes A e S para realiza cao da fatora cao da matriz
X e considerar uma medida da similaridade para quanticar a diferen ca entre a
matriz de dados, X e o modelo aproximado

X = AS. A escolha desta medida da si-
milaridade (tambem chamada de distancia, divergencia ou dissimilaridade) depende
da distribui cao da probabilidade dos sinais estimados. A seguir serao abordados
alguns metodos que serao usados como fun cao custo para a realiza cao da fatora cao
de matrizes.
Distancia Euclidiana
A medida da divergencia mais simples e frequentemente mais usada e baseada na
distancia Euclidiana quadratica, tambem chamada de norma de Frobenius [23]:
D
F
(X||AS) =
1
2
XAS
2
F
(3.42)
Pode ser observado da Equa cao 3.42 que a fun cao custo Euclidiana e convexa em
rela cao a matriz A ou a matriz S, mas nao e em rela cao a ambas. Desta forma, pode
ser realizada a minimiza cao da fun cao custo em rela cao a cada uma das matrizes.
Isto e, xa-se o valor de A e minimiza-se S e posteriormente e feito ao contrario.
Isto nos conduz para o algoritmo chamado de mnimos quadrados alternativos (ALS
- Alternating Least Square).
O algoritmo ALS tem sido uma abordagem muito usada para a realiza cao da
NMF. Contudo, nao e garantido a convergencia para um mnimo global nem para
um ponto estacionario, mas o algoritmo vai para uma solu cao onde a fun cao custo
deixa de diminuir [59].
Para a realiza cao da fatora cao da matriz Xse faz necessario encontrar as matrizes
A e S otimas de forma a atender a Equa cao 3.41. A atualiza cao destas matrizes e
realizada usando a seguinte regra multiplicativa [60]:
a
ij
a
ij
[XS
T
]
ij
[ASS
T
]
ij
, s
jk
s
jk
[A
T
X]
jk
[A
T
AS]
jk
(3.43)
Divergencia de Kullback-Leibler
Uma outra medida da divergencia entre matrizes, que e normalmente utilizada como
fun cao custo, para a fatora cao de matrizes, e a divergencia de Kullback-Leibler, que
36
e dada pela Equa cao:
D
KL
(X||AS) =
ik
_
x
ik
log
x
ik
z
ik
+z
ik
x
ik
_
(3.44)
onde z
ik
= a
ik
s
ik
. A atualiza cao das matrizes A e S e realizada usando a regra
multiplicativa [60]:
a
ij
a
ij
N
k=1
x
jk
(x
ik
/z
ik
)
N
p=1
x
jp
, s
jk
s
jk
m
i=1
a
ij
(s
ik
/z
ik
)
m
q=1
a
qj
(3.45)
Embora a distancia Euclidiana quadratica e a divergencia de Kullback-Leibler
sejam convexas somente para cada uma das matrizes A ou S, elas nao sao conjun-
tamente convexas. Entao, a abordagem basica para a realiza cao da NMF e alternar
a minimiza cao em rela cao aos dois conjuntos de parametros a
ij
e s
jk
. Isto e, a cada
tempo de otimiza cao uma matriz e atualizada enquanto a outra permanece xa [23].
Divergencia Alfa
A divergencia alfa pode ser derivada da divergencia de Csisz ar [23] e tem sido usada
para a separa cao cega de fontes. Realizando a varia cao do valor de , na formula da
divergencia alfa, pode-se chegar ate outras divergencias. A formula da divergencia
alfa e mostrada abaixo.
D
()
A
(X||AS) =
1
( 1)
ik
(x
ik
z
1
ik
x
ik
+ ( 1)z
ik
), R. (3.46)
Existem valores de onde a divergencia alfa assume casos especiais. Para = 2, 0, 5
e 1, respectivamente, a divergencia alfa se torna as distancias Chi-square, Hellinger
e Pearson respectivamente [25]. A Equa cao de cada uma destas distancias sao
mostradas a seguir em rela cao aos respectivos .
D
(2)
A
(X||AS) = D
Chi
(x||z) =
1
2
i
(x
i
z
i
)
2
z
i
; (3.47)
D
(1/2)
A
(X||AS) = 2D
H
(x||z) = 2
i
(
x
i
as
i
)
2
; (3.48)
D
(1)
A
(X||AS) = D
P
(x||z) =
1
2
i
(x
i
q
i
)
2
z
i
. (3.49)
Para os casos de = 1 e = 0 a divergencia pode ser denida respectivamente
pelos limites 1 e 0. Quando a divergencia e avaliada em torno destes
limites chega-se a divergencia generalizada de Kullback-Leibler que e denida pelas
37
Equa coes 3.50 e 3.51.
lim
1
D
()
A
(X||AS) = D
KL
(X||AS) =
ik
_
x
ik
ln
x
ik
[AS]
ik
+ [AS]
ik
x
ik
_
(3.50)
lim
1
D
()
A
(AS||X) = D
KL
(AS||X) =
ik
_
[AS]
ik
ln
[AS]
ik
x
ik
[AS]
ik
+x
ik
_
(3.51)
Divergencia Beta
Uma outra divergencia que e usada como fun cao custo para a realiza cao da fatora cao
de matrizes nao negativas e a divergencia . Esta divergencia e parametrizada por
[61], sendo um n umero real, diferente de 0 e 1. A formula da divergencia
e mostrada na Equa cao 3.52. Nota-se que, para o caso em que assume o valor 1,
obtem-se a distancia Euclidiana, enquanto que para os casos de = 0 e = 1 a
divergencia deve ser denida nos casos limites quando 0 e 1.
D
B
(XAS) =
ik
_
x
ik
x
ik
|AS|
ik

x
+1
ik
|AS|
+1
ik
+ 1
_
(3.52)
Quando este limite e avaliado para 0, a divergencia generalizada de
Kullback-Leibler e obtida, sendo denida como:
lim
0
D
B
(XAS) = D
KL
(XAS) =
ik
_
x
ik
ln
x
ik
[AS]
ik
x
ik
+ [AS]
ik
_
(3.53)
e quando o limite e avaliado para 1, obtem-se a distancia de Itakura-Saito
como mostrado na Equa cao 3.54 [62].
lim
1
D
B
(XAS) = D
IS
(XAS) =
ik
_
ln
x
ik
[AS]
ik
+
x
ik
[AS]
ik
1
_
(3.54)
38
Captulo 4
Metodologia de Analise e
Opera cao do Sistema
Neste captulo, sera mostrada a metodologia de analise utilizada para a realiza cao
da separa cao cega de fontes, tanto no domnio do tempo quanto no domnio da
frequencia. A separa cao cega sera utilizada como ferramenta, nas analises DEMON
e LOFAR, com o objetivo de melhorar a detec cao da propulsao e a classica cao de
contatos. Serao propostos um conjunto de ndices de modo a avaliar o desempenho
do sistema proposto. Alem disso, serao descritos os dados utilizados neste trabalho,
tanto simulados como experimentais.
Sera feita tambem a proposi cao de uma metodologia para realizar a monitora cao
dos espectros dos sinais de sonar passivo, que foram obtidos atraves da analise
DEMON, com o objetivo de acompanhar o comportamento estatstico destes sinais,
para estabelecer o momento em que a matriz de separa cao devera ser atualizada.
Para a separa cao cega dos sinais foram usados, algoritmos que utilizam, a analise
de componentes independentes (ICA), e a fatora cao de matrizes nao negativas
(NMF). O uso da ICA se deve ao fato de tentar aproveitar as caractersticas da
independencia entre os contatos que estao sendo analisados, enquanto que, a NMF
nao utiliza estas caractersticas, porem, pelo da fatora cao ser realizada com matrizes
nao negativas, faz com que ja se tenha alguma informa cao a priori à respeito das
caractersticas dos sinais.
Foram utilizados os seguintes algoritmos de ICA:
1. FastICA - Algoritmo de ponto xo, usa a negentropia como fun cao custo para
a realiza cao da estima cao dos componentes independentes. Os componentes
sao estimados por dea cao e foi utilizada a tangente hiperbolica como fun cao
de nao linearidade.
2. JADE - Algoritmo que realiza a separa cao cega de fontes atraves da otimiza cao
dos cumulantes.
39
3. Newton-like - Algoritmo que aplica a otimiza cao de segunda ordem (atraves
de um algoritmo Newton-like) para buscar os componentes independentes.
Para a NMF, foi utilizado o algoritmo de mnimos quadrados para a realiza cao
da fatora cao, na matriz de misturas, com a nalidade seja criada uma matriz que
contenha os componentes estimados. Para isto, o algoritmo necessita de uma fun cao
custo para ser minimizada. Neste trabalho foram usadas as seguintes fun coes custo:
1. Distancia Euclidiana.
2. Divergencia de Kullback-Leibler
Como o algoritmo NMF usa somente valores positivos, na sua implementa cao, e
os sinais de sonar passivo contem valores negativos na sua aquisi cao, para a meto-
dologia no domnio do tempo, foi adicionado à todas as amostras do sinal o valor
mnimo da fun cao densidade de probabilidade.
Sera, tambem, mostrado como o sistema deve operar, na pratica, nas analises
DEMON e LOFAR, com a nalidade de avaliar em que momento as tecnicas de
separa cao cega de fontes vao ser aplicadas.
4.1 Dados utilizados
Os dados utilizados neste trabalho, foram obtidos por simula cao e testes experimen-
tais, a partir da colabora cao com a Marinha do Brasil. A frequencia de amostragem
foi mantida em f
s
= 31.250 Hz e os sinais foram recortados em janelas temporais
de 60 s. A escolha do tamanho da janela se deve ao fato de que, em fun cao da
reamostragem que e realizada, durante a analise DEMON, o tempo mnimo, para
que seja garantida uma boa resolu cao de frequencia, e de aproximadamente 20 s
para uma FFT de 1.024 bins de frequencias. A seguir, serao mostrados como estes
dados foram adquiridos.
Dados simulados - Foram adquiridos por meio de um simulador de sonar
passivo para treinamento de operadores de sonar da Marinha do Brasil. Neste
simulador, foi criado um cenario operacional onde dois navios, que estao em
permanente regime de cavita cao, partindo de marca coes distintas (M1 e M2),
algum tempo depois, se aproximam o suciente para que haja uma inter-
ferencia entre os sinais adquiridos. A caracterstica principal destes dados e o
alto ndice de cavita cao, que permite a identica cao da propulsao dos contatos
atraves da analise DEMON. Cada um dos sinais adquiridos tem uma dura cao,
aproximada, de 1.020 s (17 minutos). A Figura 4.1 mostra a analise DEMON
de cada um contatos. Pode ser observado que o contato 1, Figura 4.1(a), pro-
40
Rotao (rpm)
T
e
m
p
o

(
s
)
0 500 1000 1500
200
400
600
800
1000
0 500 1000 1500
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(386,7 rpm)
(477,5 rpm)
(471,6 rpm)
(a) Contato 1
Rotao (rpm)
T
e
m
p
o

(
s
)
0 500 1000 1500
200
400
600
800
1000
0 500 1000 1500
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(386,7 rpm)
(392,5 rpm)
(471,6 rpm)
(b) Contato 2
Figura 4.1: Analise DEMON dos 1.020 segundos dos sinais simulados.
duz rota coes entre 471 e 477 rpm, enquanto as rota coes do contato 2, Figura
4.1(b), cam entre 386 e 392 rpm. A partir de um determinado momento,
780 s (janela temporal n umero 13), come ca a existir uma interferencia cru-
zada, caracterizando que existe uma aproxima cao entre os contatos. Uma
outra observa cao importante e que ate o instante de tempo de 600 s aproxi-
madamente, a rota cao de cada um dos contatos permaneceu em 477, 5 e 392, 6
rpm, respectivamente. Posteriormente, as rota coes sofreram modica coes, -
cando em 471, 5 e 386, 6 rpm. Isto aconteceu pelo fato de que, durante a
aproxima cao, ocorreu uma varia cao na velocidade dos contatos, no simulador.
Estes dados tem por objetivo avaliar o desempenho do sistema de separa cao
cega de fontes, pois, a simula cao controlada facilita a estimativa das fontes
41
originais que devem ser separadas.
Dados Experimentais - Foram adquiridos de um sistema de sonar passivo
real, que esta instalado nos submarinos da Marinha do Brasil. A aquisi cao foi
realizada entre duas marca coes proximas, que estao sofrendo a interferencia
cruzada, a interferencia do rudo do proprio submarino, alem do rudo am-
biente. A dura cao aproximada de cada um dos sinais e de 200 s (3 minutos
e 20 segundos). As Figuras 4.2, 4.3 e 4.4 mostram as analises DEMON, de
cada um dos contatos e do rudo proprio. Pode-se notar que a marca cao 190,
produz a rota cao de 146, 5 rpm e uma rota cao harmonica de 293 rpm. Isto
caracteriza um navio de um eixo com duas pas. Alem disto, esta marca cao
esta sofrendo a interferencia da marca cao 205, atraves da rota cao 120, 1 rpm
e do rudo proprio, 304, 7 rpm. Por outro lado, a marca cao 205 esta sofrendo
a interferencia do rudo proprio, rota cao de 304, 7 rpm.
Rotao (rpm)
T
e
m
p
o

(
s
)
0 500 1000 1500
50
100
150
200
0 500 1000 1500
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(146,5 rpm)
(293 rpm)
(304,7 rpm)
(120,1 rpm)
Figura 4.2: Analise DEMON da marca cao 190.
Com estes dados, sera possvel realizar, tambem, a analise LOFAR possibi-
litando a caracteriza cao do rudo hidrodinamico do contato (assinatura do
navio), permitindo atraves dos espectros obtidos por esta analise, a realiza cao
da classica cao dos contatos usando redes neurais.
Devido ao fato dos sinais experimentais terem sido adquiridos no ambiente
ac ustico submarino, que tem um comportamento nao estacionario, devido as
mudan cas contnuas dos parametros inerentes ao ambiente, como por exem-
plo a temperatura, a salinidade, entre outros parametros., se faz necessaria a
monitora cao, desta estacionaridade, para vericar o momento que a matriz de
42
Rotao (rpm)
T
e
m
p
o

(
s
)
0 500 1000 1500
50
100
150
200
0 500 1000 1500
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(99,6 rpm)
(304,7 rpm)
(120,1 rpm)
Figura 4.3: Analise DEMON da marca cao 205.
Rotacao (rpm)
T
e
m
p
o

(
s
)
0 500 1000 1500
50
100
150
200
0 500 1000 1500
4
3
2
1
0
Rotacao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm)
Figura 4.4: Analise DEMON do rudo proprio.
43
separa cao devera ser atualizada, garantindo a separa cao cega das fontes. A
ideia e implementar um sistema que fa ca o acompanhamento dos sinais nas
marca coes que estao sofrendo a interferencia cruzada.
Com estes dados sera permitido, na pratica, uma avalia cao cega do sistema de
separa cao de fontes, haja vista nao haver o conhecimento das fontes a serem
estimadas.
4.2 Metodologia de Analise
A separa cao cega de fontes foi utilizada, tanto na analise DEMON quanto na analise
LOFAR, para a realiza cao da detec cao da propulsao e classica cao de contatos de
um sistema de sonar passivo. Em cada uma das analises foi criada uma metodologia
para estima cao dos componentes com o objetivo de melhorar a identica cao dos
contatos por parte do operador sonar.
A analise DEMON contem um pre-processamento, que e composto por uma
ltragem em banda na faixa entre 1 e 2 kHz. Apos esta ltragem ocorre uma
demodula cao em amplitude e uma reamostragem, para que os sinais sejam colocados
dentro da banda de propulsao. Entao, os sinais sao transformados para o domnio
da frequencia para a verica cao das amplitudes das rota coes dos contatos.
A separa cao cega foi aplicada, antes e depois do pre-processamento na analise
DEMON e, apos a transforma cao para o domnio da frequencia, com o objetivo de
melhorar a detec cao da propulsao dos contatos.
Ja para a classica cao dos contatos, a separa cao cega, foi utilizada nos espectros
obtidos pela analise LOFAR e submetidos atraves de uma rede neural.
4.2.1 Domnio do tempo
No domnio do tempo, foram utilizadas duas metodologias para a realiza cao da
analise dos dados da propulsao dos contatos. A diferen ca entre as duas realiza coes
e o momento em que os algoritmos de BSS sao aplicados.
Dados no domnio do tempo (1) - A Figura 4.5, mostra o diagrama de blocos
da opera cao no domnio do tempo dos dados sem o pre-processamento dos
dados adquiridos. Apos a aquisi cao das marca coes em janelas temporais de 60
s, e realizada a separa cao cega dos sinais, seguida de um pre-processamento
que e composto por uma ltragem, demodula cao e reamostragem, para que os
sinais quem na faixa de frequencia da propulsao dos contatos. Na sequencia,
os sinais sao transformados para o domnio da frequencia atraves de uma
transformada de Fourier. Pelo fato da separa cao cega ter sido realizada em
44
toda a banda de frequencia do sinal (entre 0 e 15.625 Hz), e sabe-se que a
faixa de propulsao esta contida bem no incio, desta banda (entre 0 e 25 Hz), e
possvel que os algoritmos utilizados para a separa cao, em toda a banda, nao
tenham uma boa eciencia, devido a baixa rela cao sinal rudo.
M1
M2
Blocos
de
60 segundos
Observaes
no
tempo
Estimativas
na
frequncia
C1
C2
Figura 4.5: Diagrama de blocos da metodologia no domnio do tempo (1).
Dados no domnio do tempo (2) - A Figura 4.6 mostra o diagrama de blocos
da opera cao no domnio do tempo dos dados pre-processados.
M1
M2
Blocos
de
60 segundos
FFT BSS
Observaes
no
tempo
Estimativas
na
frequncia
Figura 4.6: Diagrama de blocos da opera cao no domnio do tempo (2).
Nesta congura cao, o pre-processamento dos sinais (ltragem, demodula cao
e reamostragem) e realizado de forma que os dados quem dentro da banda
da propulsao dos contatos. Entao, a separa cao cega e realizada, seguida de
uma FFT para a apresenta cao dos sinais. Pelo fato da separa cao esta sendo
realizada na banda propulsao dos sinais, ja estao sendo eliminados alguns
componentes que nao sao de interesse.
4.2.2 Domnio da frequencia
A Figura 4.7 mostra o diagrama de blocos da metodologia no domnio da frequencia.
Como ja foi mencionado na metodologia do domnio do tempo, (1) e (2), cada uma
das marca coes e dividida em blocos temporais de 60s e um pre-processamento e
implementado, com o objetivo de colocar os sinais dentro da faixa de propulsao
dos contatos. Entao, os sinais sao transformados para o domnio da frequencia,
atraves da transformada de Fourier. A separa cao cega dos sinais, entao, e realizada.
A transforma cao dos dados para o domnio da frequencia caracterizam os bins de
frequencia de cada contato. Isto podera ser ecaz, na separa cao cega de fontes,
principalmente nos algoritmos de ICA.
45
M1
M2
Blocos temporais
de
60 segundos
BSS FFT
Observaes
no
tempo
C1
C2
Estimativas
na
frequncia
Figura 4.7: Diagrama de blocos da metodologia aplicada no domnio da frequencia.
4.3 Monitoracao da estacionaridade
Um sinal quando se propaga em um ambiente ac ustico submarino, est a continu-
amente sofrendo mudan cas e muitas das vezes dicultando a detec cao do mesmo
por parte do operador sonar. Qualquer estrutura capaz de reconhecer e rastrear
as possveis altera coes no comportamento estatstico do sinal deve ter plasticidade,
para aprender e se adaptar rapidamente a estas mudan cas, e ser de baixa comple-
xidade de implementa cao, para ser integrado na opera cao do sistema de separa cao
cega de fontes, de forma a estabelecer o momento que a separa cao devera se inici-
ada. Sistemas inteligentes com estas caractersticas de aprendizado, que usam redes
neurais, por exemplo, dependem do conjunto de dados para a realiza cao do seu pro-
jeto. A ideia e, entao, monitorar os espectros, da analise DEMON, com o objetivo
de vericar as altera coes nas estatsticas, do ambiente, para que possa ocorrer a
mudan ca na matriz de separa cao. Para esta monitora cao, sera utilizada a seguinte
metodologia [63]:
1. Selecionar um n umero de espectros da analise DEMON de um contato;
2. Realizar o agrupamento do conjunto de espectros usando redes neurais;
3. Avaliar as mudan cas no n umero de grupos e possveis deslocamentos dos cen-
tros destes grupos;
4. Identicar as mudan cas na estatstica;
5. Voltar para o item 1.
4.4 Classicacao de contatos
A ideia e utilizar um sistema de classica cao automatico com o proposito de apoiar
o operador sonar na decisao de identicar um contato, especialmente na presen ca
de m ultiplos alvos. Para isto, algoritmos de separa cao cega de fontes foram utili-
zados com o objetivo de minimizar a interferencia entre os contatos. Os algoritmos
46
sao aplicados apos a analise LOFAR, como um passo no processamento da classi-
ca cao, de forma a recuperar as caractersticas relevantes dos contatos que devem
ser classicados. A Figura 4.8, mostra o diagrama de blocos do sistema de classi-
ca cao, usando a separa cao cega. Considerando que os sinais nas marca coes 190 e
205 estao sofrendo interferencia cruzada, primeiramente eles sao processados atraves
da analise LOFAR, e um espectro medio e obtido de cada uma das marca coes, e sao
usados como entrada dos algoritmos de BSS. Os componentes estimados sao, entao,
submetidos ao classicador neural.
M190
M205
Observaes
no
tempo
Estimativas
na
frequncia
LOFAR Classificador
neural
Deciso
Figura 4.8: Diagrama de blocos do sistema de classica cao usando a separa cao cega
de fontes.
Foi desenvolvido um classicador utilizando rede neural do tipo perceptron multi-
camada com uma unica camada escondida. O n umero de neuronios na camada
escondida foi escolhido apos testes de desempenho da discrimina cao de diversas redes
neurais. Para o treinamento foi utilizado o algoritmo backpropagation resiliente
(RPROP) [64].
Para o desenvolvimento dos classicadores, as janelas temporais da analise LO-
FAR de cada uma das marca coes foram dividas em conjuntos de treinamento, teste
e valida cao. Para fazer uma avalia cao dos efeitos, dos algoritmos de BSS, no pro-
cessamento dos sinais, o classicador neural foi treinado usando os espectros, sem o
processamento e apos a realiza cao da BSS, para medir o desempenho da separa cao
[65].
4.5 Medida do desempenho
Para a medida do desempenho da metodologia usada nas analises, foram utilizados
ndices, para avaliar de forma qualitativa e quantitativa, a performance de cada um
dos algoritmos. Todos os ndices foram medidos sobre os espectros obtidos pelas
analises, DEMON e LOFAR, antes e depois da separa cao cega.
A analise DEMON, normalmente, cobre a faixa de propulsao dos contatos entre
0 e 1500 rpm. No caso dos dados simulados, como a faixa de propulsao, dos contatos,
ca entre 380 e 480 rpm, o processamento e a apresenta cao graca da analise, foram
realizados na faixa de 350 a 550 rpm. Para os dados experimentais, o processamento
foi realizado na faixa de 50 350 rpm, enquanto que, a apresenta cao graca cou entre
47
0 e 350 rpm. Com isto, componentes que nao sao de interesse no processamento ja
serao eliminadas.
Como os dados simulados sao totalmente controlados, devido ao conhecimento
previo do seu comportamento, foi assumido como padrao de referencia de qualidade
(padrao ouro) de cada um dos contatos, a primeira janela temporal adquirida em
cada marca cao. Isto se deve ao fato de que,na primeira janela temporal, e o momento
em que os sinais estao mais separados entre eles. Foram realizadas medidas entre os
espectros, de referencia e dos componentes estimados pelos algoritmos de separa cao
cega, usando ndices de desempenho especco para esta nalidade..
Indice de desempenho utilizados nos espectros da analise DEMON:

SIR - Mede a rela cao sinal/interferencia nos espectros, das marca coes e dos
componentes estimados. Com isto, vai ser possvel vericar de forma qualita-
tiva, se houve uma melhora (atenua cao) da SIR nos componentes estimados
em rela cao as marca coes.
SNR - Mede a rela cao sinal/rudo nos espectro, das marca coes e dos compo-
nentes estimados. Isto permite vericar, de forma qualitativa, a atenua cao
do rudo que esta contido em todo o espectro nos componentes estimados em
rela cao as marca coes.
Largura à meia altura - Mede a diferen ca entre dois valores extremos de uma
variavel independente onde a fun cao atinge a metade do seu valor maximo.
Permite calcular a resolu cao da amplitude das rota coes, nas marca coes e nos
componentes estimados.
Divergencia de Kullback-Leibler (KL) - Mede de forma quantitativa o desem-
penho dos algoritmos de BSS. A Equa cao 4.1, mostra a formula utilizada para
medir a divergencia de Kullback-Leibler.
D
kl
(p, q) =
i
ln
_
p
i
q
i
_
p
i
(4.1)
onde p e q sao as distribui coes das observa coes e dos componentes estimados.
Para este trabalho os espectros, tanto das observa coes (marca coes) como dos
componentes, foram usados como distribui coes. Isto se deve ao fato de que, os
espectros caracterizam, de forma substancial, o comportamento da propulsao
dos sinais.
Erro medio quadratico (EMQ) - Mede o erro medio quadratico entre o espectro
de referencia e o espectro estimado pelos algoritmos de separa cao cega. A
48
Equa cao 4.2 mostra a formula do erro medio quadratico, onde R
i
e o espectro
de referencia e S
i
e o espectro estimado.
MSE =
1
N
N
i=1
(R
i
S
i
)
2
(4.2)
Coeciente da desigualdade de Theil - Faz uma compara cao entre o espectro
de referencia e o espectro estimado, como mostra a Equa cao 4.3.
Theil =
EMQ
N
i=1
(S
i
)
2
N
(4.3)
Erro medio absoluto (EMA) - Mede quao proximas as estimativas dos espectros
estao dos espectros de referencia.
EMA =
1
N
N
i=1
|R
i
S
i
| (4.4)
Coeciente de correla cao (CC) - Mede a similaridade entre os espectros de
referencia e os espectros estimados. Os valores
R
e mu
S
sao os valores medios
de R
i
e S
i
respectivamente.
N
i=1
(R
i
R
)
N
i=1
(S
i
S
)
_
N
i=1
(R
i
R
)
2
_
N
i=1
(S
i
S
)
2
(4.5)
Indice de desempenhos utilizados nos espectros da analise LOFAR:

Curva ROC - Mostra quanto a probabilidade de detec cao (P
D
) e de falso
alarme (P
F
) variam em rela cao a um limiar de decisao.
-Produto SP - Pondera cao entre as medias, aritmetica e geometrica, em fun cao
de um limiar de decisao. O ndice SP e denido como [66]:
SP =
Ef
1
+Ef
2
2

_
(Ef
1
Ef
2
) (4.6)
onde Ef
1
= P
D
e a eciencia na detec cao para a classe 1 e Ef
2
= (1 P
D
e
a eciencia correspondente a classe 2. O limiar que maximiza o SP tende a
produzir uma alta P
D
e uma baixa P
F
.
49
4.6 Opera cao do sistema
A opera cao do sistema de separa cao cega de fontes, propoe a detec cao da propulsao
de contatos e classica cao de sinais de sonar passivo usando as an alise DEMON e
LOFAR. A Figura, 4.9, mostra o diagrama de blocos da opera cao do sistema da
separa cao cega atuando nestas analises. Caso nao seja necessario, quando os sinais
ja estiverem separados, as analises sao implementadas sem a necessidade do uso da
BSS. Porem, quando o sinal de controle sinalizar, que existe uma interferencia entre
os contatos, atraves do calculo da informa cao m utua entre os dados de entrada, a
monitora cao da estacionaridade come ca a ser vericada, para que seja estabelecido
o momento que as matrizes de separa cao terao que ser ajustadas com o objetivo de
nao se perder as estatsticas dos sinais que estao sendo separados. Neste momento,
serao aplicados os algoritmos de BSS.
DEMON
Entrada
de
Dados
Monitorao
da
Estacionaridade
BSS
LOFAR
Sada
de
Dados
Controle
Figura 4.9: Diagrama de blocos da opera cao do sistema.
50
Captulo 5
Resultados da Separa cao Cega de
Fontes
Neste captulo, serao mostrados os resultados obtidos com os dados simulados e
experimentais, usando a metodologia de analise que foi abordada no captulo 4.
Serao feitas avalia coes de desempenho da separa cao cega, por parte dos algoritmos
de BSS, de forma qualitativa e quantitativa, usando os gracos das analises no
domnio das observa coes e dos componentes estimados.
5.1 Dados Simulados
A primeira janela temporal, contem a informa cao dos sinais de cada um dos contatos
mais separados, e pode ser usada como referencia para a calibra cao e compara cao
com os componentes estimados pelos algoritmos de separa cao cega. Como ocorre
uma mudan ca de rota cao, a partir de 660s, que corresponde a janela temporal de
n umero 11, houve a necessidade da mudan ca na referencia das respectivas rota coes,
para vericar se os algoritmos estao retornando as estimativas nas rota coes deseja-
das. A ultima janela temporal (janela 17) contem a informa cao onde os contatos
estao mais proximos, correspondendo a janela de maior interferencia cruzada. Os
algoritmos de separa cao cega foram aplicados, em cada uma das janelas temporais,
com o objetivo de melhorar a interferencia cruzada entre os sinais, caso ela exista,
melhorando a identica cao dos contatos por parte do operador sonar.
5.1.1 Separa cao cega no domnio do tempo
A separa cao cega de fontes no domnio do tempo foi realizada a partir de duas
abordagens distintas de processamento, como mostrado no captulo 4.
51
Domnio do tempo (1)
Primeiramente a separa cao cega foi realizada diretamente nas janelas temporais de
60s, sem pre-processamento previo dos sinais. A Figura 5.1 mostra o espectro da
primeira e da ultima janela dos sinais.
0 2000 4000 6000 8000 10000 12000 14000 16000
25
20
15
10
5
0
Frequncia
A
m
p
l
i
t
u
d
e

n
o
r
m
a
l
i
z
a
d
a

(
d
B
) Espectro bruto da janela 1 do contato 1
0 2000 4000 6000 8000 10000 12000 14000 16000
25
20
15
10
5
0
Frequncia
A
m
p
l
i
t
u
d
e

n
o
r
m
a
l
i
z
a
d
a

(
d
B
(a) Primeira janela.
0 2000 4000 6000 8000 10000 12000 14000 16000
25
20
15
10
5
0
Frequncia
A
m
p
l
i
t
u
d
e

n
o
r
m
a
l
i
z
a
d
a

(
d
B
0 2000 4000 6000 8000 10000 12000 14000 16000
25
20
15
10
5
0
Frequncia
A
m
p
l
i
t
u
d
e

n
o
r
m
a
l
i
z
a
d
a

(
d
B
(b)

Ultima janela.
Figura 5.1: Espectro das janelas de 60s.
A banda de frequencia dos sinais na qual sera realizada a separa cao cega ca
entre 0 e 15.625 Hz. Por outro lado, a banda de frequencia da propulsao dos contatos
ca entre 0 e 25 Hz, que corresponde a faixa de rota cao de 0 a 1500 rpm. Desta
forma, espera-se que enfoque de processamento produza um pior desempenho dos
52
algoritmos devido a baixa SNR.
A seguir serao mostrados os gracos da analise DEMON, dos contatos e dos
componentes estimados pelos algoritmos. As Figuras 5.2, 5.3, 5.4 e 5.5 mostram os
espectros de cada um dos contatos e os seus respectivos componentes estimados, da
janela temporal 17, de cada um dos algoritmos, de ICA e NMF. Observa-se que,
tanto nos algoritmos de ICA quanto nos algoritmos de NMF, que, em nenhuma
das situa coes, a separa cao entre os contatos foi realizada. Alem de nao acontecer a
separa cao, em algumas situa coes, os algoritmos agruparam os contatos de marca coes
diferentes, na estima cao dos componentes.
Pode ser observado que em nenhum dos algoritmos ocorreu uma melhora signi-
cativa da SIR. Em determinados algoritmos a SIR piorou, fazendo uma mistura
entre os contatos. Isto se deve ao fato da quantidade de rudo na banda de frequencia
do sinal, que pode representar outros componentes, para os algoritmos no processo
da separa cao cega.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
(1 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotacao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB,
386.7 rpm)
(3 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 0 dB,
386.7 rpm)
(1 dB,
471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
(3 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
Figura 5.2: Espectro, dos contatos e dos componentes, da janela temporal 17, no
domnio do tempo (1) usando o algoritmo FastICA.
As Figuras, 5.6 e 5.7 mostram a divergencia KL entre as observa coes e os com-
ponentes estimados, de cada um dos algoritmos à cada janela temporal.
Pode ser observado, pelas Figuras 5.6, (a) e (b), que nao ocorreu a separa cao dos
componentes com os algoritmos FastICA e JADE, pelo fato de que, a divergencia
KL, tanto das observa coes quanto das estimativas permaneceram no mesmo pata-
mar em todas as janelas temporais. No caso do algoritmo Newton-like, nas janelas
temporais, 3, 4 e 5, a divergencia das estimativas obtiveram valores menores do que
53
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
(1 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB,
386.7 rpm)
(3 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(0 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
(2 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
domnio do tempo (1) usando o algoritmo JADE.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
(1 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB,
386.7 rpm) ( 3 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 1 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB,
386.7 rpm)
( 4 dB,
471.7 rpm)
domnio do tempo (1) usando o algoritmo Newton-like.
54
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
(1 dB,
386.7 rpm)
( 0 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB,
386.7 rpm)
( 3 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 0 dB,
386.7 rpm)
(1 dB,
471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB,
386.7 rpm)
( 1 dB,
471.7 rpm)
domnio do tempo (1) usando o algoritmo NMF com a fun cao custo distancia Eu-
clidiana.
as observa coes, indicando que ocorreu uma mistura entre os componentes nestas
janelas. Quanto ao algoritmo NMF usando como fun cao custo a distancia Euclidi-
ana, a divergencia entre as estimativas, permaneceu com os valores proximos de zero
e sempre abaixo da divergencia das observa coes. Isto mostra que os componentes
estao misturados. Pode-se concluir, entao, que a estima cao dos componentes, com
estes algoritmos, diretamente nas janelas temporais, sem nenhum processamento,
nao e ecaz.
Domnio do tempo (2)
Os algoritmos de BSS sao aplicados apos o pre-processamento dos sinais. Para a
apresenta cao graca, foram escolhidas as tres ultimas janelas devido ao fato de que,
a partir da janela temporal de n umero 15, a interferencia cruzada come ca a aumentar
entre os contatos, caracterizando a aproxima cao entre eles, e na janela temporal de
n umero 17, a SIR e de menor valor. Para medir o desempenho dos algoritmos de
forma quantitativa, sao apresentados os gracos da divergencia KL, como as gura
de merito, entre as observa coes de cada uma das marca coes e dos seus respectivos
Algoritmo FastICA
As Figuras 5.8, 5.9 e 5.10 mostram os espectros referentes as tres ultimas
janelas temporais dos contatos, e seus respectivos componentes.
55
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
.

K
L

Entre as observaes
Entre as estimativas FastICA
(a) Algoritmo FastICA.
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
.

K
L

Entre as observaes
Entre as estimativas JADE
(b) Algoritmo JADE.
Figura 5.6: Divergencia KL entre as observa coes e os componentes estimados a cada
janela temporal.
56
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
.

K
L

Entre as observaes
Entre as estimativas Newtonlike
(a) Algoritmo Newton-like.
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
.

K
L

Entre as observaes
Entre as estimativas NMF (dist. Euclidiana)
(b) Algoritmo NMF (dist. Euclidiana).
Figura 5.7: Divergencia KL entre as observa coes e os componentes estimados a cada
janela temporal.
57
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(13 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(15 dB, 471.7 rpm)
Rotao (rpm)
Figura 5.8: Espectros dos contatos e dos componentes da janela 15 usando o algo-
ritmo FastICA no domnio do tempo (2).
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(11 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(12 dB, 471.7 rpm)
Rotao (rpm)
ritmo FastICA no domnio do tempo.
58
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(11 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(10 dB, 471.7 rpm)
Rotao (rpm)
ritmo FastICA no domnio do tempo.
A janela temporal de n umero 15, Figura 5.8, mostra que o contato 1 esta
com uma SIR de 5 dB, enquanto que o contato 2 tem a SIR de 8 dB. Apos a
separa cao cega, pode ser observado que a SIR de cada um dos componentes
atingiu 13 e 15 dB, respectivamente.
`
A medida que a SIR vai aumentando
entre os contatos, Figuras 5.9 e 5.10, o algoritmo realizou a atenua cao na
interferencia entre as marca coes, melhorando s SIR.
A medida escolhida para medir de forma quantitativa a separa cao cega de
fontes, foi a divergencia de Kullback-Leibler (KL). Primeiro, a divergencia KL
foi calculada a cada janela temporal, entre as observa coes (contatos), e entre
os componentes estimados, como mostra a Figura 5.11. Pode ser observada
a eciencia da separa cao fazendo uma compara cao entre as curvas das ob-
serva coes e das estimativas. Da primeira a decima terceira janela temporal,
onde os sinais nao estao sofrendo a interferencia cruzada, as curvas da di-
vergencia KL entre as observa coes e entre os componentes, permanecem no
mesmo patamar, sofrendo apenas varia coes devido as utua coes do rudo. Es-
tas janelas temporais serviram para calibrar o comportamento do algoritmo.
A partir da decima terceira janela temporal, quando come ca acontecer a inter-
ferencia cruzada, a divergencia KL entre as observa coes, come ca a diminuir,
chegando proximo ate os valores de zero, enquanto a divergencia KL, entre as
estimativas, tende permanecer com os valores proximo de 1, 6. Isto mostra que
a divergencia KL, dos componentes estimados, nestas janelas, estao proximos
59
aos valores, da divergencia KL, das janelas temporais iniciais. Entao pode-se
concluir que, o algoritmo realizou a separa cao dos sinais retornando aos valores
proximo das observa coes da primeira janela temporal.
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as observaes
Figura 5.11: Divergencia KL entre as observa coes e entre os componentes estimados
pelo algoritmo FastICA.
A outra forma de medir o desempenho do algoritmo FastICA e calcular a
divergencia KL entre as referencias (padrao ouro) de cada um dos contatos e as
respectivas marca coes; e entre as referencias e os seus respectivos componentes
estimados, como mostrado na Figura 5.12.
A divergencia KL entre as referencias e as observa coes, permanecem proximo
de zero da primeira a decima terceira da janela temporal. A partir da decima
quarta janela, ocorre um aumento da divergencia em fun cao da interferencia
cruzada entre os contatos. Ja no caso da divergencia entre as estimativas,
apesar do aumento da interferencia cruzada, a divergencia entre as referencias
e os componentes permanecem em torno de zero, certicando que o algoritmo
realizou a estima cao proximo aos valores de referencia.
60
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Observao 1 versus padro ouro 1
Componente 1 versus padro ouro 1
Figura 5.12: Divergencia KL entre as referencias e as observa coes, e entre as re-
ferencias e as estimativas obtidas algoritmo FastICA.
Algoritmo JADE
janelas temporais dos contatos, e seus respectivos componentes.
`
A medida que a SIR vai diminuindo entre os contatos, o algoritmo JADE
tende a realizar a estima cao dos componentes aumentando a SIR em cada
componente. Foi utilizada, como gura de merito, a divergencia KL entre
as observa coes e entre as estimativas para medir o ndice de desempenho do
algoritmo. A Figura 5.16, mostra o graco da divergencia KL.
Da primeira à decima terceira janela temporal, onde os sinais nao estao so-
frendo a interferencia cruzada, as curvas da divergencia KL entre as ob-
serva coes e entre os componentes sao similares e estao sofrendo apenas as
utua coes do rudo, permanecendo na media, com os valores em torno de 2.
A partir da decima terceira janela temporal, quando come ca acontecer a in-
terferencia cruzada, a divergencia entre as observa coes, come ca a diminuir,
chegando proximo de zero. Por sua vez, entre as estimativas, a divergencia
tende a permanecer com os valores entre 1, 5 e 1, 3 apesar de ocorrer a maior
interferencia entre os contatos. Isto mostra que o algoritmo melhorou a SIR
em cada componente.
A segunda maneira de medir o desempenho do algoritmo JADE e a rea-
liza cao do calculo da divergencia KL entre as referencias (padrao ouro) e as
observa coes de cada uma das marca coes; e entre as referencias e os compo-
61
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(13 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(14 dB, 471.7 rpm)
Rotao (rpm)
ritmo JADE no domnio do tempo (2).
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(12 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(11 dB, 471.7 rpm)
Rotao (rpm)
ritmo JADE no domnio do tempo.
62
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(11 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(11 dB, 471.7 rpm)
Rotao (rpm)
ritmo JADE no domnio do tempo.
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as observaes
Entre as estimativas jade
pelo algoritmo JADE.
63
nentes estimados, como e mostrado na Figura 5.17. Pode ser observado que a
divergencia KL entre as referencias e as observa coes, permaneceram proximo
de zero da janela temporal 1 ate a 13. A partir da decima quarta janela,
ocorre um aumento da divergencia KL, devido a interferencia cruzada entre
as marca coes. Ja no caso da divergencia entre as referencias e as estimati-
vas, apesar do aumento da interferencia, a divergencia permanece em torno de
zero, certicando que o algoritmo retornou as estimativas para as respectivas
referencias.
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Figura 5.17: Divergencia KL entre as referencias e as observa coes e entre as re-
ferencias as estimativas obtidas algoritmo JADE no domnio do tempo (2).
Algoritmo Newton-like
As Figuras 5.18, 5.19 e 5.20 mostram os espectros referentes às tres ultimas
janelas temporais dos contatos, e seus respectivos componentes, usando o al-
goritmo Newton-like.
A Figura 5.18 mostra que para a janela temporal de n umero 15 o contato 1
esta com uma SIR de 5 dB, enquanto que para o contato 2, a SIR e de 8 dB.
Apos a separa cao cega, observa-se que a SIR de cada um dos componentes foi
para 14 e 15 dB, respectivamente e que, à medida que a SIR de cada uma das
marca coes vai diminuindo, Figuras 5.19 e 5.20, o algoritmo realiza a estima cao
dos componentes e tende a melhorar SIR.
A Figura 5.21, mostra o graco da divergencia KL entre as observa coes e entre
os componentes estimados. De forma similar ao desempenho dos algoritmos
64
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(14 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(15 dB, 471.7 rpm)
Rotao (rpm)
ritmo Newton-like no domnio do tempo (2).
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(12 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(12 dB, 471.7 rpm)
Rotao (rpm)
65
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(11 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(11 dB, 471.7 rpm)
Rotao (rpm)
FastICA e o JADE, a divergencia KL entre as observa coes e entre os compo-
nentes sofrem as varia coes, devido às utua coes do rudo entre a primeira e a
decima terceira janela temporal. A partir da decima terceira janela temporal,
incio da interferencia, a divergencia entre as observa coes, come ca a diminuir,
chegando proximo de zero na janela de maior interferencia. Ja a divergencia
KL, entre as estimativas, tende a permanecer em torno dos valores originais.
Uma outra forma de medir o desempenho do algoritmo e calcular a divergencia
KL entre as referencias (padrao ouro) e os contatos de cada uma das marca coes
e entre as referencias os seus respectivos componentes estimados. A Figura 5.22
mostra o graco desta medida. As divergencias KL, entre as observa coes e os
respectivos padrao ouro, permaneceu proximo de zero da primeira a decima
terceira janela temporal, onde nao esta ocorrendo nenhuma interferencia entre
as marca coes. A partir da decima terceira janela temporal, as divergencias
come cam a aumentar enquanto que, as divergencias entre as referencias e as
estimativas permaneceram proximas de zero, indicando que as estimativas
retornaram valores proximos aos valores das referencias.
Algoritmo NMF usando como funcao custo a distancia Euclidiana
Uma outra maneira de se realizar a separa cao cega de fontes e utilizando a
fatora cao de matrizes nao negativas. As Figuras 5.23, 5.24 e 5.25 mostram os
espectros das tres ultimas janelas temporais dos contatos, e seus respectivos
66
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3

D
i
v
e
r
g
n
c
i
a

K
L
Janela temporal
Entre as observaes
Figura 5.21: Divergencia KL entre as observa coes e os componentes estimados pelo
algoritmo Newton-like no domnio do tempo (2).
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

ferencias as estimativas obtidas algoritmo Newton-like no domnio do tempo (2).
67
componentes.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 8 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(12 dB, 471.7 rpm)
Rotao (rpm)
ritmo NMF com a distancia Euclidiana como fun cao custo no domnio do tempo.
A janela temporal de n umero 15, Figura 5.23, mostra que o contato 1 esta com
uma SIR de 5 dB enquanto no contato 2 a SIR e de 8 dB. Apos a separa cao
pode ser observado que a estimativas de cada um dos contatos passaram a
ter a SIR de 8 e 12 dB respectivamente, mostrando que ocorreu uma melhora
da SIR de cada uma das estimativas. Porem, a medida que a SIR entre as
marca coes vai diminuindo, Figuras 5.24 e 5.25, a estimativa dos componentes
nao melhora a SIR. Por exemplo, na decima sexta janela temporal, a SIR das
estimativas sofreu um aumento em rela cao às observa coes, mostrando que nao
ocorreu a separa cao.
A divergencia de Kullback-Leibler (KL) foi calculada entre as marca coes (ob-
serva coes) e entre os componentes estimados, com a nalidade de medir a qua-
lidade da separa cao a cada janela temporal. A Figura 5.26, mostra o graco
da divergencia KL. A divergencia entre as estimativas, permaneceu, sempre,
com os valores abaixo da divergencia entre as observa coes. Isto mostra que o
algoritmo nao realizou a separa cao e nao conseguiu melhorar a SIR entre as
estimativas.
Uma outra medida do desempenho do algoritmo NMF e calcular a divergencia
KL entre as referencias (padrao ouro) e os contatos de cada uma das marca coes,
e as referencias e os seus respectivos componentes estimados. A Figura 5.27
mostra o graco desta medida.
68
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 0 dB, 386.7 rpm)
( 1 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
( 1 dB, 471.7 rpm)
Rotao (rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
Rotao (rpm)
69
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as observaes
Entre as estimativas NMF usando a distncia Euclidiana como funo custo
pelo algoritmo NMF usando como fun cao custo a distancia Euclidiana no domnio
do tempo (2).
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
0.8
1
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
0.8
1
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

ferencias e as estimativas usando o algoritmo NMF com a distancia Euclidiana como
fun cao custo no domnio do tempo (2).
70
A curva divergencia KL, entre as referencias e as estimativas, permaneceu em
patamares superiores à divergencia entre as referencias e as observa coes a cada
janela temporal.
Algoritmo NMF usando como funcao custo a divergencia de
Kullback-Leibler
As Figuras 5.28, 5.29 e 5.30 mostram os espectros e seus respectivos compo-
nentes, usando o algoritmo NMF com a divergencia de Kullback-Leibler como
fun cao custo.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 7 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(11 dB, 471.7 rpm)
Rotao (rpm)
ritmo NMF com divergencia de Kullback-Leibler como fun cao custo no domnio do
tempo.
Na estima cao dos componentes, a SIR sofreu melhora signicativa na janela
15 como pode ser observado na Figura 5.28. Entretanto, à medida que a SIR
das observa coes foi diminuindo, o mesmo acontece com a SIR das estimativas
(janelas 16 e 17).
Novamente, a divergencia KL foi utilizada como gura de merito para a medida
do desempenho na separa cao de cega do algoritmo. Primeiramente foi medida
a divergencia entre as observa coes e entre os componentes, como mostra a
Figura 5.31. A curva da divergencia KL entre as observa coes a cada janela
temporal, permanece com os valores maiores do que a curva da divergencia
entre as estimativas. Isto mostra que as estimativas com o algoritmo proposto
71
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 2 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
( 4 dB, 471.7 rpm)
Rotao (rpm)
tempo.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 0 dB, 386.7 rpm) ( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
( 2 dB, 471.7 rpm)
Rotao (rpm)
tempo.
72
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as observaes
Entre as estimativas NMF usando como funo custo a divergncia KL
Figura 5.31: Divergencia KL entre as observa coes e os componentes estimados pelo
algoritmo NMF usando a fun cao custo divergencia de Kulback-Leibler.
nao conseguiu melhorar a SIR entre os componentes estimados. Isto pode ser
observado na Tabela 5.3.
Tambem foi calculada a divergencia KL entre as referencias (padrao ouro) e
as estimativas de cada uma das marca coes a cada janela, como e mostrado na
Figura 5.32.
Neste caso, pode-se observar que a curva da divergencia entre as referencias
e as estimativas permanece com os valores acima da curva das referencias
e observa coes, caracterizando que o algoritmo nao retornou os componentes
estimados.
Pode-se concluir que os algoritmos de analise de componentes independentes
tiveram um melhor desempenho, no domnio do tempo, em rela cao aos algoritmos de
fatora cao de matrizes nao negativas. Mesmo no pior caso da SIR entre as marca coes,
janela temporal de n umero 17, onde os contatos estao mais proximos, os algoritmos
de ICA retornaram estimativas com SIR maiores do que os das observa coes. O
mesmo nao acontece com os algoritmos de separa cao usando a NMF. Isto pode ser
conrmado, atraves da Tabela 5.3.
5.1.2 Separa cao cega no domnio da frequencia
No domnio da frequencia, a separa cao cega e realizada apos a transformada de
Fourier dos sinais. Na analise DEMON, e criada uma janela frequencia versus tempo,
73
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
0.8
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
0.8
Janela temporal
D
i
v
e
g
n
c
i
a

K
L

ferencias e as estimativas obtidas algoritmo NMF usando como fun cao custo a di-
vergencia de Kullback-Leibler.
como mostrado nas Figuras 4.2 e 4.3, para que possa ser feito um acompanhamento
das frequencias que persistirem ao longo da analise, e que caracterizem as rota coes
de um determinado contato. Entao, um espectro medio e calculado, para cada um
dos contatos, e a separa cao cega dos sinais e realizada.
O mesmo criterio que foi utilizado para medir o desempenho dos algoritmos
no domnio do tempo, tambem sera aplicado para o domnio da frequencia. Serao
mostrados os gracos das tres ultimas janelas temporais dos contatos e dos com-
ponentes estimados, onde a SIR nas observa coes come ca a diminuir. A divergencia
de Kullback-Leibler sera usada como uma medida quantitativa do desempenho dos
algoritmos.
Algoritmo FastICA
janelas temporais dos contatos, e seus respectivos componentes estimados.
A janela temporal n umero 15, 5.33, mostra que o contato 1 esta com uma SIR
de 5 dB, enquanto no contato 2 a SIR e de 8 dB. Apos a separa cao, a SIR de
cada um dos contatos foi para 13 e 17 dB respectivamente. A medida que a
SIR vai diminuindo entre os contatos, como pode ser observado nas Figuras,
5.34 e 5.35, o algoritmo manteve a SIR dos componentes à nveis maiores.
Para medir de forma quantitativa a separa cao, primeiramente a divergencia
74
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(13 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(17 dB, 471.7 rpm)
Figura 5.33: Espectros dos contatos e dos componentes da janela temporal n umero
15 usando o algoritmo FastICA no domnio da frequencia.
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
40
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(14 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(17 dB, 471.7 rpm)
75
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
50
40
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(24 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(13 dB, 471.7 rpm)
KL foi calculada a cada janela temporal, entre as observa coes, e entre as
estimativas. A Figura 5.36, mostra o graco da divergencia kl.
Da primeira a decima terceira janela temporal, as divergencias KL entre as
observa coes e entre os componentes, sofreram varia coes apenas devido as u-
tua coes do rudo, permanecendo com os valores entre 1, 5 e 2, 5. Estas janelas
serviram como uma calibra cao para o algoritmo. A partir da decima quarta ja-
nela temporal, quando come ca acontecer a interferencia cruzada, a divergencia
entre as observa coes, come ca a diminuir, chegando proximo de zero, na janela
temporal n umero 17. Enquanto que, a divergencia entre as estimativas come ca
a aumentar, caracterizando, que houve uma separa cao entre as distribui coes.
A outra forma de medir o desempenho do algoritmo e a realiza cao do calculo,
da divergencia KL, entre as referencias e os contatos de cada uma das
marca coes; e entre as referencias com os seus respectivos componentes esti-
mados.
A Figura 5.37 mostra os gracos das divergencias. As divergencias entre as
referencias e as observa coes, permaneceram proximo de zero, da janelas tem-
porais, de 1 a 13, indicando que os sinais estao separados. A partir da janela
temporal 14, ocorreu um aumento destas divergencias devido a aproxima cao
entre os contatos. No caso, da medida das divergencias entre as referencias e as
estimativas, as divergencias permanecem em torno de zero em todas as janelas
76
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
3.5
4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as observaes
pelo algoritmo FastICA no domnio da frequencia.
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Figura 5.37: Divergencia KL entre as referencias; e as observa coes e as estimativas
obtidas algoritmo FastICA no domnio da frequencia.
77
temporais, mostrando que o algoritmo realizou a estima cao dos componentes
proximo aos valores de referencia.
Algoritmo JADE
As Figuras 5.38, 5.39 e 5.40 mostram os espectros das tres ultimas janelas
temporais dos contatos, e seus respectivos componentes estimados.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(14 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(14 dB, 471.7 rpm)
Figura 5.38: Espectros dos contatos e dos componentes estimados, da janela tem-
poral n umero 15, usando o algoritmo JADE no domnio da frequencia.
A janela temporal n umero 15, Figura 5.38, mostra que, apos a separa cao cega,
a SIR de cada um dos componentes, foram para os valores de 14 e 14 dB
respectivamente. A medida que a SIR em cada marca cao vai diminuindo,
Figuras 5.39 e 5.40, o algoritmo manteve a SIR dos componentes em nveis
sucientemente baixos, mostrando uma melhora na SIR.
A divergencia KL, Figura 5.41, foi calculada a cada janela temporal, entre as
observa coes, e entre as estimativas. Da primeira a decima terceira janela tem-
poral a divergencia KL entre as observa coes sofreu varia coes entre 1, 3 e 2, 6,
enquanto que entre os componentes, a divergencia cou em torno de 2. Isto
mostra que o algoritmo sempre manteve as estimativas com as distribui coes
proximas entre as janelas temporais. A partir da decima quarta janela tem-
poral, momento em que come ca acontecer a aproxima cao entre os contatos,
a divergencia entre as observa coes, come ca a diminuir, chegando proximo de
zero, enquanto a divergencia entre as estimativas come ca aumentar, caracte-
rizando que houve uma separa cao entre as distribui coes das estimativas.
78
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(16 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(14 dB, 471.7 rpm)
poral n umero 16, usando o algoritmo JADE no domnio da frequencia.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
40
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(19 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(15 dB, 471.7 rpm)
poral 17, usando o algoritmo JADE no domnio da frequencia.
79
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
3.5
4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as observaes
Entre as estimativas JADE
pelo algoritmo JADE no domnio da frequencia.
A Figura 5.42 mostra o graco da divergencia KL entre as referencias e as
observa coes e entre as referencias e as estimativas. A divergencia entre as
referencias e as estimativas permanecem em torno de zero mesmo nas janelas
onde a interferencia cruzada entre os contatos come ca a aumentar mostrando
que os componentes estimados sao semelhantes as respectivas referencias.
As divergencia KL entre as referencias e as observa coes, permaneceram
proximo de zero, da janela temporal 1 ate a janela temporal 13, indicando
que nao houve interferencia cruzada entre os contatos nestas janelas. A par-
tir da janela temporal 14, ocorreu um aumento das divergencias KL, devido
ao aumento da interferencia cruzada entre os contatos. No caso da medida
entre as referencias e as estimativas, as divergencias permaneceram em torno
de zero em todas as janelas, mostrando que as estimativas dos componentes
retornaram para valores proximos as respectivas referencias.
janelas temporais dos contatos, e dos seus respectivos componentes estimados.
A qualidade da separa cao pode ser observada atraves dos componentes na
melhora da SIR. A divergencia foi calculada a cada janela temporal, entre as
observa coes, e entre as estimativas, dos contatos. A ideia e que, a divergencia
entre as observa coes, comece a diminuir a partir do momento em que tenha
incio a interferencia cruzada entre as marca coes. Enquanto que, a divergencia
80
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
Janela temporal
D
i
v
e
r
g
n
c
a

K
L

ferencias e as estimativas obtidas algoritmo JADE no domnio da frequencia.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(13 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(13 dB, 471.7 rpm)
poral n umero 15, usando o algoritmo Newton-like no domnio da frequencia.
81
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
40
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(14 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(13 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
40
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(15 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(13 dB, 471.7 rpm)
82
entre as estimativas, tende a aumentar por conta da separa cao cega. A Fi-
gura, 5.46, mostra os gracos de cada uma destas divergencias. A partir da
janela temporal n umero 14 a divergencia entre as observa coes tende para zero,
enquanto a divergencia entre as estimativas come ca a aumentar ate atingir o
valor de 2, 7 aproximadamente, na janela temporal de n umero 17, onde a SIR
e menor, mostrando que ocorreu uma separa cao entre as estimativas.
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as observaes
pelo algoritmo Newton-like no domnio da frequencia.
Tambem foi realizado o calculo da divergencia entre as referencias e as ob-
serva coes de cada uma das marca coes; e entre as referencias e os seus respec-
tivos componentes estimados. A Figura, 5.47, mostra o graco entre estas
medidas. Apesar da aproxima cao entre os contatos, situa cao que ocorre a
partir da decima quarta janela temporal, os valores das divergencias entre as
referencias e as estimativas permaneceram em torno de zero.
Algoritmo NMF usando como funcao custo a distancia Euclidiana
janelas temporais dos contatos, e seus respectivos componentes estimados.
O algoritmo apresenta uma instabilidade na SIR dos componentes estimados,
como pode ser observado na Figuras 5.44 e 5.45. Na janela temporal n umero
17, na estima cao do componente 1, o componente 2 cou 1 dB abaixo em
rela cao ao contato 2, no espectro do contato 1. Alem disto, na estima cao do
83
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6

0 2 4 6 8 10 12 14 16 18
0
0.1
0.2
0.3
0.4
0.5

Figura 5.47: Divergencia KL entre as referencias e as observa coes; e entre as re-
ferencias e as estimativas obtidas algoritmo Newton-like no domnio da frequencia.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 7 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
40
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(10 dB, 471.7 rpm)
Figura 5.48: Espectros dos contatos e dos componentes estimados, da janela tempo-
ral n umero 15, usando o algoritmo NMF com a fun cao custo Euclidiana no domnio
da frequencia.
84
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 8 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
( 7 dB, 471.7 rpm)
da frequencia.
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 2 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 1 dB, 386.7 rpm)
(11 dB, 471.7 rpm)
da frequencia.
85
componente 2, apareceram duas rota coes que nao pertencem nem ao compo-
nente 2 e nem ao contato 1.
A Figura 5.51 mostra a divergencia KL entre as observa coes e entre as estima-
tivas. A curva da divergencia entre as estimativas nas janelas onde nao esta
acontecendo a interferencia cruzada entre os contatos, nao tem o mesmo com-
portamento da curva das observa coes. Isto demostra que o algoritmo nao esta
retornando as estimativas que se esperava. Alem disto, quando a interferencia
cruzada come ca a acontecer, tanto a divergencia das observa coes quanto a
divergencia das estimativas come cam a se aproximar de zero.
0 2 4 6 8 10 12 14 16 18
0
1
2
3
4
5
6
7
8
9
Janela temporal
D
i
v
.

K
L

Entre as observaes
Entre as estimativas NMF usando a dist. Euclidiana como funo custo
pelo algoritmo NMF com a fun cao custo Euclidiana no domnio da frequencia.
A Figura 5.52 mostra o graco entre as referencias e as observa coes, e entre as
referencias e os componentes estimados. As divergencias entre as referencias
os componentes estimados caram com os valores proximos das divergencias
entre as referencias e os contatos, mostrando que nao ocorreu uma separa cao
dos sinais.
Kullback-Leibler
Uma outra maneira de se estimar os componentes, atraves da fatora cao de ma-
trizes nao negativas, e utilizar a divergencia de Kullback-Leibler como fun cao
custo. As Figuras, 5.53, 5.54 e 5.55, mostram os espectros referentes as tres
ultimas janelas temporais dos contatos simulados, e seus respectivos compo-
nentes.
86
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
Janela temporal
D
i
v
.

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
0.8
1
Janela temporal
D
i
v
.

K
L

ferencias e as estimativas, obtidas pelo algoritmo NMF usando como fun cao custo
a distancia Euclidiana no domnio da frequencia.
De forma qualitativa pode ser observado que, o algoritmo na janela temporal
n umero 16, ao inves de realizar a separa cao cega, misturou os sinais levando
os componentes à nveis de SIR para os mesmos patamares dos contatos.
A Figura 5.56 mostra o graco da divergencia KL entre as observa coes e as
estimativas a cada janela temporal. A divergencia entre as observa coes perma-
nece sempre em patamares menores do que a divergencia entre as estimativas,
mostrando que houve uma separa cao dos sinais. A partir da decima quarta
janela temporal, a divergencia entre as observa coes come ca a diminuir, mos-
trando o incio da interferencia cruzada entre os contatos. O mesmo acontece
com a divergencia entre as estimativas. Isto mostra que o algoritmo nao obteve
um desempenho em situa coes de alta SIR.
A Figura 5.57 mostra o graco entre as referencias e as observa coes, bem como
entre as referencias e os componentes estimados. A divergencia KL entre as
referencias e as observa coes, permaneceram proximo de zero, exceto a partir
da decima quarta janela temporal, onde ocorre um aumento,da divergencia,
tanto entre as observa coes, quanto entre as estimativas. Isto caracteriza que
os componentes, nestas janelas temporais, nao retornaram para os valores
proximos das referencias.
Outros ndices podem ser medidos para a verica cao do desempenho dos algorit-
mos de separa cao cega de fontes dos sinais simulados. As Tabelas 5.1 e 5.2 mostram
87
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 8 dB, 471.7 rpm)
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
(10 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
(10 dB, 471.7 rpm)
poral n umero 15, usando o algoritmo NMF, com a divergencia de Kullback-Leibler
como fun cao custo, no domnio da frequencia.
300 350 400 450 500 550 600
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 5 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
20
10
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
( 1 dB, 471.7 rpm)
88
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 1
( 1 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Contato 2
( 0 dB, 386.7 rpm)
( 3 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 1
( 5 dB, 386.7 rpm)
( 0 dB, 471.7 rpm)
300 350 400 450 500 550 600
30
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
Componente 2
( 0 dB, 386.7 rpm)
( 6 dB, 471.7 rpm)
0 2 4 6 8 10 12 14 16 18
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Janela temporal
D
i
v
.

K
L

Entre as observaes
Entre as estimativas NMF usando a div. KL como funo custo
Figura 5.56: Divergencia KL entre as observa coes e entre os componentes estimados,
pelo algoritmo NMF, usando a divergencia KL como fun cao custo, no domnio da
frequencia.
89
0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
0.8
Janela temporal
D
i
v
.

K
L

0 2 4 6 8 10 12 14 16 18
0
0.2
0.4
0.6
Janela temporal
D
i
v
.

K
L

ferencias e as estimativas, usando o algoritmo NMF, com a divergencia KL como
fun cao custo, no domnio da frequencia.
estes ndices para os algoritmos de ICA e NMF respectivamente. Pode ser observado
que alguns destes ndices, tem valores elevados apesar do algoritmo ter melhorado
a SIR no componente estimado. Isto ocorre pelo fato, de que, a rela cao sinal/rudo
tambem e atenuada fazendo com que na realiza cao da medida do espectro de re-
ferencia ocorra este aumento.
90
Tabela 5.1: Tabela com os ndices desempenho entre os contatos e as referencias; e
entre os componentes estimados pelos algoritmos de ICA e as referencias.
Domnio do tempo Domnio da frequencia
Indice Contato FastICA JADE Newton-like FastICA JADE Newton-like Janela

Referencia 1
Theil 0,1 0 0 1,0 0,3 0,3 0,3 15
CC 0,8 1,0 1,0 1,0 1,0 1,0 -1,0
EMQ 20,0 5,3 5,2 5,3 89,8 89,7 119,0
EMA 1,3 0,8 0,8 0,8 3,2 3,2 2,9
Theil 0,1 0 0,1 0,2 0,4 0,3 0,3 16
CC 0,8 1,0 1,0 0,9 -1,0 1,0 -1,0
EMQ 12,3 1,4 1,1 89,1 133,6 89,9 118
EMA 1,2 0,6 0,6 2,0 3,2 3,2 2,9
Theil 0,1 0 0,2 0 0,4 0,3 0,8 17
CC 0,8 1,0 1,0 1,0 -1,0 1,0 1,0
EMQ 48,6 5,6 5,5 88,4 133,0 90,0 106
EMA 2,0 0,9 0,8 0,8 3,2 3,2 3,1
Referencia 2
Theil 0 0 0 0 0,4 0,4 0,3 15
CC 1,0 1,0 1,0 -1,0 -1,0 1,0 1,0
EMQ 2,9 0,6 0,2 0,6 125,3 125,7 94,2
EMA 0,8 0,4 0,4 0,4 1,0 1,0 1,0
Theil 0 0 0 0 0,4 0,4 0,3 16
CC 1,0 1,0 1,0 1,0 -1,0 -1,0 1,0
EMQ 9,9 0,6 0,2 0,6 125,3 125,7 94,2
EMA 1,2 0,4 0,4 0,4 1 1 1
Theil 0 0 0,1 0 0,4 0,4 0,4 17
CC 1,0 1,0 1,0 1,0 -1,0 -1,0 -1,0
EMQ 17,3 7,5 7,5 7,4 125,3 125,3 108,5
EMA 1,4 0,9 0,9 0,9 1,0 1,0 1,0
91
Tabela 5.2: Tabela com os ndices desempenho entre os contatos e as referencias; e
entre os componentes estimados pelos algoritmos de NMF e as referencias.
Indice Contato Dist. Euc. NMF Div. KL Dist. Euc. Div. KL Janela
Referencia 1
Theil 0,1 0,2 0,2 0 0, 15
CC 0,8 -1,0 1,0 1,0 1,0
EMQ 20,0 78,3 88,2 7,6 5,8
EMA 1,3 2,0 2,1 4,2 4,2
Theil 0,1 0,2 0,2 0 0 16
CC 0,8 0,9 1,0 1,0 1,0
EMQ 12,3 89,1 79,7 4,3 1,9
EMA 1,2 2,0 2,0 3,8 4,1
Theil 0,1 0,2 0,2 0 0,1 17
CC 0,8 0,8 0,7 1,0 0,8
EMQ 48,6 90 95 21 45
EMA 2,0 2,2 2,3 3,0 3,5
Referencia 2
Theil 0 0,2 0,2 0 0 15
CC 1,0 1,0 1,0 1,0 1,0
EMQ 2,9 63,2 74,6 2,2 0,6
EMA 0,8 1,9 2,1 1,0 1,0
Theil 0 0,2 0,2 0 0 16
CC 1,0 1,0 1,0 1,0 1,0
EMQ 9,9 79,0 67,3 4,7 1,7
EMA 1,2 2,2 2,0 1,0 1,0
Theil 0 0,2 0,2 0 0 17
CC 1,0 1,0 0,9 1,0 1,0
EMQ 17,3 71,7 82,1 25,0 9,4
EMA 1,4 0,4 0,4 0,4 10
As Tabelas 5.3 e 5.4 mostram a SIR no domnio do tempo e no domnio da
frequencia, a cada janela temporal dos sinais simulados, que foram obtidas atraves
dos algoritmos utilizando a analise de componentes independentes e a fatora cao
de matrizes nao negativas. Pode-se vericar um comportamento mais ecaz dos
algoritmos de ICA em rela cao aos algoritmos NMF. Os algoritmos de ICA mantive-
ram a SIR em valores atenuados mesmo quando os contatos estao se aproximando.
O mesmo nao acontece com os algoritmos de NMF. Em determinadas situa coes,
percebe-se uma diminui cao da SIR apos as separa cao.
92
Tabela 5.3: SIR, em dB, janela a janela, dos sinais simulados no domnio do tempo com rela cao as observa coes e os componentes estimados
algoritmos usando a ICA e a NMF.
Janela Raw-data Newton-like FastICA JADE Dist. Euc. Div. KL
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
1 8 11 12 14 12 11 11 14 4 13 8 10
2 8 11 12 15 11 15 11 14 4 5 0 0
3 8 14 11 18 12 14 12 16 7 8 4 6
4 10 14 12 16 12 17 11 17 2 8 6 10
5 9 17 12 16 13 13 10 16 4 9 5 13
6 11 17 14 15 14 17 14 17 1 5 4 11
7 14 18 17 17 17 18 15 17 5 9 4 10
8 13 14 13 17 13 15 13 15 3 7 8 4
9 15 19 15 20 14 16 13 18 2 8 4 10
10 14 17 16 17 15 16 15 18 2 9 4 8
11 18 17 16 17 14 16 16 13 1 3 3 8
12 13 16 15 14 15 17 15 18 0 10 5 6
13 10 15 15 14 12 15 13 16 6 9 9 10
14 7 10 14 13 13 12 13 16 1 0 7 11
15 5 7 13 14 13 14 13 13 8 12 7 11
16 4 4 12 11 13 9 12 10 0 0 2 4
17 1 3 10 10 11 10 10 10 1 0 0 0
9
3
Tabela 5.4: SIR, em dB, janela a janela, dos sinais simulados no domnio da frequencia com rela cao as observa coes e os componentes
estimados algoritmos usando a ICA e a NMF.
Janela Raw-data Newton-like FastICA JADE Dist. Euc. Div. KL
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
SIR
1/2
SIR
2/1
1 8 11 12 13 12 17 13 14 8 16 17 15
2 8 11 12 13 12 17 13 14 8 18 14 17
3 8 14 12 13 15 13 13 15 11 16 10 25
4 10 14 12 13 15 13 13 14 9 19 11 29
5 9 17 12 13 11 17 13 14 9 13 13 29
6 11 17 12 13 11 18 13 15 13 4 14 27
7 14 18 11 13 16 18 13 14 10 40 16 35
8 13 14 12 11 13 11 12 12 20 13 23 24
9 15 19 11 11 12 19 13 15 12 39 18 32
10 14 17 13 13 15 13 13 15 11 28 19 31
11 18 17 13 12 13 17 15 14 20 14 34 30
12 13 16 13 12 13 16 14 14 19 12 21 21
13 10 15 12 12 16 11 14 14 10 29 16 21
14 7 10 12 12 16 11 14 13 24 9 12 14
15 5 7 13 12 16 12 14 14 7 10 10 10
16 4 4 13 12 13 17 15 14 8 7 1 0
17 1 3 15 12 14 15 19 14 2 11 5 6
9
4
5.2 Dados Experimentais
Os dados experimentais caracterizam tanto o rudo de propulsao quanto o rudo
de maquinario de cada um dos contatos. Desta forma, sera permitida a realiza cao
das analises, DEMON e LOFAR, em cada uma das marca coes. O rudo proprio foi
adquirido, em uma marca cao, onde estava a popa do navio, para que pudesse ser
enfatizada as informa coes da propulsao do navio.
Em fun cao da baixa rela cao sinal/rudo e da previa informa cao sobre a rota cao
dos contatos, em cada uma das marca coes, alem do conhecimento das rota coes do
rudo proprio, todo o processamento, da analise DEMON, foi realizado entre 50 e
350 rpm e a apresenta cao graca da analise foi mostrada na faixa de rota cao de 0 a
350 rpm.
A aquisi cao dos sinais foi realizada nas marca coes, 190 e 205, que estao sofrendo
a interferencia cruzada durante todo o tempo, bem como na marca cao 076, que
corresponde ao sinal do rudo do proprio submarino. Cada um dos sinais tem a
dura cao de aproximadamente 180 s, e foram divididos em janelas temporais de 60
s, produzindo um total de tres janelas.
Na analise DEMON, os algoritmos de separa cao cega foram aplicados, no domnio
do tempo (2), tendo em visto que, nao foram obtidos resultados satisfatorios, para
os dados simulados no domnio do tempo (1); e no domnio da frequencia.
A classica cao dos contatos foi realizada usando um classicador baseado em
redes neurais, onde o treinamento foi realizado, utilizando os espectros da analise
LOFAR.
5.2.1 Separa cao no domnio do tempo (2)
Algoritmo FastICA
As Figuras 5.58, 5.59 e 5.60, mostram as analises DEMON de cada uma das
marca coes, do rudo proprio e dos seus respectivos componentes estimados da
terceira janela temporal. A marca cao 190 sofre a interferencia das rota coes de
120, 1 e 304, 7 rpm, que correspondem, respectivamente, à marca cao 205 e ao
rudo proprio. Enquanto que, a marca cao 205 sofre a interferencia do rudo
proprio. Apos a estima cao dos componentes, estas interferencias sofreram uma
atenua cao de 2 dB.
95
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 3 dB)
(146,5 rpm, 1 dB)
(293 rpm, 0 dB)
(304,7 rpm, 2 dB)
(b)
Figura 5.58: Analise DEMON, da terceira janela temporal, da marca cao 190: (a)
original e (b) estimado pelo algoritmo FastICA no domnio do tempo (2).
96
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(293 rpm, 5 dB)
(304,7 rpm, 3 dB)
(b)
original e (b) estimado, pelo algoritmo FastICA no domnio do tempo (2).
97
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(b)
Figura 5.60: Analise DEMON, da terceira janela temporal, do rudo proprio: (a)
original e (b) estimado, pelo algoritmo FastICA no domnio do tempo (2).
A Figura 5.61 mostra o graco da divergencia KL, entre as marca coes 190e
205 e os seus respectivos componentes estimados, em cada janela temporal.
A curva da divergencia entre as estimativas das marca coes permanece com os
valores acima da divergencia entre as marca coes, mostrando obteve-se uma
separa cao entre os sinais.
98
1 2 3
0.2
0.25
0.3
0.35
0.4
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as marcaes 190 e 205
Entre os componentes 190 e 205 usando o algoritmo FastICA
Figura 5.61: Divergencia KL entre as marca coes 190 e 205; e entre os componentes
estimados pelo algoritmo FastICA no domnio do tempo (2).
Algoritmo JADE
O algoritmo JADE obteve o comportamento diferente do FastICA, como mos-
tram as Figuras 5.62, 5.63 e 5.64. Apos a estima cao dos componentes, a
interferencia 205 sofreu uma atenua cao de 4dB, no componente estimado da
190, enquanto que, o rudo proprio permaneceu no mesmo patamar do compo-
nente estimado. No entanto, caso do componente 205, o rudo pr oprio sofreu
uma atenua cao de 2 dB.
99
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(293 rpm, 0 dB)
(146,5 rpm, 0 dB)
(120,1 rpm, 3 dB)
(304,7 rpm, 0 dB)
(b)
original e (b) estimado pelo algoritmo JADE no domnio do tempo (2).
100
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(293 rpm, 5 dB)
(304,7 rpm, 3 dB)
(b)
original e (b) estimado, pelo algoritmo JADE no domnio do tempo (2).
101
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(b)
original e (b) estimado, pelo algoritmo JADE no domnio do tempo (2).
A Figura 5.65 mostra o graco da divergencia KL, entre as marca coes
190e 205 e, entre os seus respectivos componentes estimados. Da mesma
forma como ocorreu no algoritmo FastICA, a divergencia entre as estimati-
vas das marca coes permaneceu com os valores acima da divergencia entre as
marca coes, mostrando, mais uma vez, que ocorreu uma separa cao entre os
102
1 2 3
0.16
0.18
0.2
0.22
0.24
0.26
0.28
0.3
0.32
0.34
0.36
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as Marcaes 190 e 205
Entre os componentes das marcaes 190 e 205
estimados pelo algoritmo JADE no domnio do tempo (2).
O algoritmo Newton-like obteve um desempenho inferior aos dois algoritmos de
ICA que foram apresentados anteriormente. As Figuras 5.66, 5.67 e 5.68 mos-
tram que, apos a separa cao cega, ocorreu uma atenua cao de 1 no componente
da marca cao 205, porem, a rota cao 146, 5 e o seu harmonico 293 pertencentes
ao componente 190, que nem se apresentavam na marca cao 205, passaram a
ter uma SIR de 4dB e 2dB respectivamente. Isto mostra que o algoritmo nao
realizou uma boa separa cao entres as estimativas.
103
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(293 rpm, 0 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 1 dB)
(120,1 rpm, 2 dB)
(b)
original e (b) estimado pelo algoritmo Newton-like no domnio do tempo (2).
104
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 9 dB)
(293 rpm, 3 dB)
(146,5 rpm, 4 dB)
(b)
105
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
12
10
8
6
4
2
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 3 dB)
(120,1 rpm, 0 dB)
(146,5 rpm, 4 dB)
(293 rpm, 2 dB)
(b)
A divergencia KL, entre os componentes estimados das marca coes 190e 205
mostram bem esta situa cao. Em todas as tres janelas a divergencia entre as es-
timativas permaneceu com os valores abaixo da divergencia entre as marca coes
como e mostrado na Figura 5.69.
Algoritmo NMF usando a distancia Euclidiana como funcao custo
106
1 2 3
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

estimados das respectivas marca coes usando o algoritmoNewton-like.
As Figuras 5.70, 5.71 e 5.72 mostram os espectros das marca coes e seus respec-
tivos componentes usando o algoritmo NMF. Apos a separa cao, o componente
da marca cao 190, criou rota coes que nao pertencem a nenhuma, das marca coes
e do rudo proprio; alem de nao atenuar a rota cao de 120, 1 rpm que pertence
a marca cao 205. A rota cao de 146, 5 rpm, no componente 190, sofreu uma
atenua cao de 1dB em rela cao a marca cao 190.
No caso do componente da marca cao 205 a interferencia do rudo proprio sofreu
uma atenua cao de 3 dB em rela cao a respectiva marca cao, mostrando uma
melhora na SIR. O mesmo nao acontece com o componente do rudo proprio.
Ocorreu uma mistura da rota cao de 102, 1 rpm que pertence a marca cao 205.
Isto mostra que o algoritmo NMF usando como fun cao custo a distancia Eu-
clidiana nao realizou uma melhora na SIR no componente 190. Conseguiu
apenas melhorar a SIR do componente 205, enquanto que no caso do compo-
nente do rudo proprio, apareceu uma interferencia proveniente da marca cao
205.
107
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(146,5 rpm, 1 dB)
(304,7 rpm, 2 dB)
(293 rpm, 3 dB)
(120,1 rpm, 0 dB)
(b)
original e (b) estimado pelo algoritmo NMF, no domnio do tempo (2), usando a
distancia Euclidiana como fun cao custo.
108
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(293 rpm, 4 dB)
(304,7 rpm, 4 dB)
(b)
109
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
12
10
8
6
4
2
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 3 dB)
(120,1 rpm, 0 dB)
(146,5 rpm, 4 dB)
(293 rpm, 2 dB)
(b)
A Figura 5.73 mostra divergencia KL, entre as marca coes e os respectivos com-
ponentes estimados. Nas janelas temporais 1 e 2, a divergencia entre as esti-
mativas permaneceu com os valores abaixo da divergencia entre as marca coes,
mostrando que nao houve uma eciencia na separa cao. Enquanto que, na ja-
110
nela temporal n umero 3, apesar da divergencia entre dos componentes esta
com o valor maior do que a divergencia entre as marca coes, vericou-se de
forma qualitativa de o componente 190 nao realizou uma melhora na SIR.
1 2 3
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0.22
0.24
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

Entre as estimativas das marcaes 190 e 205
Figura 5.73: Divergencia KL entre as marca coes 190 e 205; e entre os componen-
tes estimados das respectivas marca coes, usando o algoritmo NMF com a fun cao
distancia Euclidiana, no domnio do tempo.
Kullback-Leibler
Da mesma forma que ocorreu no algoritmo NMF, que usa a fun cao custo
distancia Euclidiana, tambem aconteceu com o algoritmo NMF, usando a
fun cao custo divergencia de Kullback-Leibler, no domnio do tempo. Obteve-se
uma melhora da SIR em rela cao apenas ao componente da marca cao 205. As
Figuras 5.74, 5.75 e 5.76 mostram os espectros das marca coes e seus respectivos
componentes.
111
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(146,5 rpm, 1 dB)
(304,7 rpm, 2 dB)
(293 rpm, 1 dB)
(b)
original e (b) estimado pelo algoritmo NMF, usando a divergencia de Kullback-
Leibler como fun cao custo, no domnio do tempo (2).
112
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(b)
113
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
7
6
5
4
3
2
1
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(120,1 rpm, 0 dB)
(b)
A Figura 5.77 mostra divergencia KL, entre as marca coes e os respectivos
componentes estimados. Em todas as janelas, a divergencia entre as estima-
tivas permaneceu com os valores abaixo da divergencia entre as marca coes.
Isto mostra mais uma vez que o algoritmo nao obteve uma boa ec acia na
114
separa cao dos componentes.
1 2 3
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

tes estimados das respectivas marca coes usando o algoritmo NMF com a fun cao
divergencia de Kullback-Leibler, no domnio do tempo.
5.2.2 Separa cao cega no domnio da frequencia
A separa cao cega de fontes, foi realizada no domnio da frequencia com os dados
experimentais. O mesmo criterio utilizado para medir o desempenho dos algoritmos
no domnio do tempo, tambem sera usado para a avalia cao no domnio da frequencia.
Algoritmo FastICA
As Figuras 5.78, 5.79 e 5.80, mostram os espectros das marca coes, do rudo
proprio e dos componentes estimados. Pode ser observado que, no componente
da marca cao 190, as interferencias provenientes, da marca cao 205 e do rudo
proprio, sofreram uma atenua cao de 7 e 8 dB, respectivamente, em rela cao ao
espectro da marca cao 190. No componente da marca cao 205, a SIR em rela cao
ao rudo proprio permaneceu constante, mostrando que este componente re-
tornou o espectro da respectiva marca cao. Conclui-se que o algoritmo realizou
a estima cao apenas de um componente.
115
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
30
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(146,5 rpm, 0 dB)
(120,1 rpm, 8 dB)
(304,7 rpm, 4 dB)
(293 rpm, 0 dB)
(b)
original e (b) estimado pelo algoritmo FastICA no domnio da frequencia.
116
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 3 dB)
(b)
original e (b) estimado, pelo algoritmo FastICA no domnio da frequencia.
117
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
30
25
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(b)
original e (b) estimado, pelo algoritmo FastICA no domnio da frequencia.
A Figura 5.81 mostra a divergencia KL entre as marca coes, 190 e 205, e entre as
estimativas das respectivas marca coes. A divergencia entre as observa coes per-
maneceu, à cada janela temporal, com os valores maiores do que a divergencia
das marca coes. Tambem, e possvel observar que, na janela temporal 3, a di-
vergencia assume o maior valor, apesar do algoritmo ter realizado a separa cao
118
apenas de um componente.
1 2 3
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Janela temporal
D
i
v
e
g
n
c
i
a

K
L

estimados das respectivas marca coes usando o algoritmo FastICA no domnio da
frequencia.
Algoritmo JADE
Nas Figuras 5.82, 5.83 e 5.84, observa-se, atraves dos componentes das
marca coes estimadas, que ocorreu uma atenua cao das interferencia em cada
um dos componentes. No componente da marca cao 190, por exemplo, ocorreu
uma atenua cao de 9 dB em rela cao a interferencia da rota cao de 120, 1rpm e
de 8 dB em rela cao ao rudo proprio.
No caso do componente estimado 205, ocorreu uma atenua cao de 3 dB em
rela cao a interferencia de 304, 7rpm, que pertence ao rudo proprio. Alem
disto, pode ser enfatizada uma rota cao de valor um pouco menor do que a de
120, 1, que pertence tambem pertence ao componente estimado. Isto se deve
ao fato de que a algoritmo conseguiu recuperar a varia cao da rota cao ao longo
do tempo.
119
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
40
35
30
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 7 dB)
(293 rpm, 0 dB) (146,5 rpm, 0 dB)
(120,1 rpm, 11 dB)
(b)
original e (b) estimado pelo algoritmo JADE no domnio da frequencia.
120
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
30
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 3 dB) (120,1 rpm, 0 dB)
(b)
original e (b) estimado, pelo algoritmo JADE no domnio da frequencia.
121
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(120,1 rpm, 1 dB)
(b)
original e (b) estimado, pelo algoritmo JADE no domnio da frequencia.
A Figura 5.85 mostra a divergencia KL entre as marca coes e os respectivos
componentes estimados das marca coes que foram estimados pelo algoritmo
no domnio da frequencia. Pode ser observado que na janela temporal 3, a
divergencia entre os componentes tem um valor maior do que a divergencia
entre as marca coes.
122
1 2 3
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

estimados das respectivas marca coes, usando o algoritmo JADE, no domnio da
frequencia.
As Figuras 5.86, 5.87 e 5.88, mostram os espectros das marca coes e os respec-
tivos componentes estimados. As interferencias dos componentes estimados
sofreram uma atenua cao em rela cao as respectivas marca coes mostrando a
eciencia do algoritmo.
123
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
35
30
25
20
15
10
5
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 7 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 3 dB)
(293 rpm, 2 dB)
(b)
original e (b) estimado pelo algoritmo Newton-like no domnio da frequencia.
124
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
20
18
16
14
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(304,7 rpm, 2 dB)
(b)
original e (b) estimado, pelo algoritmo Newton-like no domnio da frequencia.
125
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
35
30
25
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(b)
original e (b) estimado, pelo algoritmo Newton-like no domnio da frequencia.
A Figura 5.89 mostra o graco da divergencia KL entre as marca coes e os
componentes estimados usando o algoritmo Newton-like. A divergencia entre
os componentes das marca coes permaneceram com os valores acima em rela cao
a divergencia entre as marca coes. Isto mostra uma separa cao entre os espectros
estimados de cada um dos componentes.
126
1 2 3
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55

estimados das respectivas marca coes usando o algoritmo Newton-like no domnio da
frequencia.
Uma outra forma de se realizar da separa cao cega de fontes e a utiliza cao da
fatora cao de matrizes nao negativas. A seguir serao mostrados dois algoritmos, com
as suas respectivas fun cao custo, que usam a fatora cao de matrizes nao negativas.
Algoritmo NMF usando a distancia Euclidiana como funcao custo
As Figuras 5.90, 5.91 e 5.92, mostram os espectros das marca coes e os seus
respectivos componentes estimados. O algoritmo nao realizou a estima cao dos
componentes, de forma a atenuar as interferencias em rela cao as marca coes.
Nos componentes estimados das marca coes, 190 e 205, as interferencias per-
maneceram com a mesma SIR das marca coes.
127
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
18
16
14
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 2 dB)
(146,5 rpm, 4 dB)
(304,7 rpm, 0 dB)
(293 rpm, 3 dB)
(b)
original e (b) estimado pelo algoritmo NMF, usando a distancia Euclidiana como
128
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
18
16
14
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 11 dB)
(b)
129
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
30
25
20
15
10
5
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(b)
Na Figura 5.93 pode ser observado que, apesar dos componentes estimados nao
terem realizado uma melhora na SIR em rela cao as marca coes, a divergencia
entre os componentes permaneceu com os valores acima da divergencia entre
as marca coes. Isto acontece, pelo fato de que, os espectros dos componentes
130
estarem com caractersticas dos bins de frequencias diferentes entre os seus
componentes.
1 2 3
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

tes estimados das respectivas marca coes usando o algoritmo NMF com a distancia
Euclidiana como fun cao custo no domnio da frequencia.
Algoritmo NMF usando a divergencia de Kullback-Leibler como
funcao custo
A separa cao cega usando NMF com a divergencia de Kullback-Leibler como
fun cao custo, melhorou a SIR apenas no componente da marca cao 190, como
pode ser observado na Figura 5.94. O componente da marca cao 205, Figura
5.95, colocou o nvel da interferencia no mesmo patamar do componente esti-
mado. Apesar do algoritmo ter melhorado a SIR, apenas do componente 190,
o valor da divergencia KL entre os componentes e maior do que as marca coes.
A Figura 5.97 mostra a divergencia KL entre as marca coes e os componentes
estimados pelo algoritmo.
131
0 50 100 150 200 250 300 350
9
8
7
6
5
4
3
2
1
0
Frequncia (Hz)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 1 dB)
(146,5 rpm, 0 dB)
(304,7 rpm, 0 dB)
(293 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
18
16
14
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(146,5 rpm, 0 dB)
(120,1 rpm, 2 dB)
(293 rpm, 2 dB)
(304,7 rpm, 5 dB)
(b)
Leibler como fun cao custo, no domnio da frequencia.
132
0 50 100 150 200 250 300 350
10
9
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 1 dB)
(a)
0 50 100 150 200 250 300 350
18
16
14
12
10
8
6
4
2
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(120,1 rpm, 0 dB)
(304,7 rpm, 0 dB)
(b)
133
0 50 100 150 200 250 300 350
8
7
6
5
4
3
2
1
0
Rotao (rpm)
A
m
p
l
i
t
u
d
e

(
d
B
)
(304,7 rpm, 0 dB)
(a)
0 50 100 150 200 250 300 350
20
18
16
14
12
10
8
6
4
2
0
A
m
p
l
i
t
u
d
e

(
d
B
)
Rotao (rpm)
(304,7 rpm, 0 dB)
(b)
As Tabelas 5.5 e 5.6 mostram os nveis em dB das interferencias, em rela cao as
marca coes e dos componentes estimados pelos algoritmos de ICA e de NMF em cada
janela temporal.
134
1 2 3
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Janela temporal
D
i
v
e
r
g
n
c
i
a

K
L

estimados das respectivas marca coes usando o algoritmo NMF com a divergencia da
Kullback-Leibler como fun cao custo no domnio da frequencia.
Tabela 5.5: Nvel em dB, das marca coes (raw-data) e dos componentes estimados,
pelos algoritmos de ICA, à cada janela temporal.
Rotac ao Raw-data FastICA JADE Newton-like FastICA JADE Newton-like Janela
Marcac ao 190
0
146, 5 0 0 0 0 0 0 0 1
293, 0 0 -1 1 -1 0 0 0
99, 6 -3 -2 -1 -2 -7 -7 -9
304, 7 -1 -1 -2 -4 -2 -8 -6
146, 5 0 0 0 0 0 0 -1 2
293, 0 0 -1 -1 0 0 0 0
99, 6 -3 -2 -1 -3 -5 -7 -9
304, 7 -1 -3 -2 -4 -2 -3 -6
146, 5 0 0 0 0 0 0 0 3
293, 0 0 0 0 0 0 0 0
120, 1 -1 -3 -5 -2 -8 -10 -7
304, 7 0 -2 0 -1 -8 -8 -15
Marcac ao 205
0
99, 6 0 0 1 0 0 0 -4 1
304, 7 -1 -6 -6 -7 -1 -3 -4
99, 6 0 0 0 0 0 0 -4 2
304, 7 -1 -5 -6 0 -4 -1 -4
120, 1 0 0 0 0 0 0 0 3
304, 7 -1 -3 -5 -2 0 -14 -7
135
Tabela 5.6: Nvel em dB, das marca coes (raw-data) e dos componentes estimados,
pelos algoritmos NMF, à cada janela temporal.
Rotac ao Raw-data Dist. Euc. Div. KL Dist. Euc. Div. KL Janela
Marcac ao 190
0
146, 5 0 -3 -1 0 0 1
293, 0 0 -4 0 0 0
99, 6 -3 0 -2 -8 -2
304, 7 -1 -2 0 -3 -2
146, 5 0 -2 -4 0 -3 2
293, 0 0 0 -2 0 0
99, 6 -3 -4 -1 -6 -6
304, 7 -1 -1 -2 -3 -17
146, 5 0 0 -4 0 -2 3
293, 0 0 0 -1 0 0-2
120, 1 -1 -1 0 -1 -3
304, 7 0 0 0 0 0
Marcac ao 205
0
99, 6 0 0 0 0 0 1
304, 7 -1 -3 -1 0 -1
99, 6 0 0 0 0 0 2
304, 7 -1 -2 -1 0 -3
120, 1 0 0 0 0 0 3
304, 7 -1 -3 -3 0 0
Outra forma de medir o desempenho dos algoritmos de, ICA e NMF, e calcular,
a resolu cao da amplitude das rota coes, das marca coes e dos componentes estimados,
atraves da largura à meia altura (FWHM - Full Width Half Medium). As Tabelas
5.7 e 5.8 mostram, estas medidas, em cada uma das janelas temporais.
Os algoritmos de ICA, no domnio do tempo, praticamente nao mudaram a lar-
gura à meia altura dos componentes estimados em rela cao as respectivas marca coes.
Enquanto que, no caso domnio da frequencia, houve uma melhor resolu cao da am-
plitude, nos componentes estimados, em todas as janelas temporais. Para esta
medida, os componentes que obtiveram uma melhor resolu cao de amplitude, foram
os estimados pelo algoritmo Newton-like no domnio da frequencia.
No caso dos algoritmos de NMF, a largura à meia altura dos componentes es-
timados no domnio do tempo, tiveram uma resolu cao de amplitude pior do que, a
resolu cao, das respectivas marca coes. Ja no caso das estimativas dos componentes,
no domnio da frequencia, a NMF, que tem como fun cao custo a distancia Euclidi-
ana, obteve uma melhor resolu cao de amplitude em todas as janelas temporais.
Pode-se concluir que os algoritmos de ICA mostraram um desempenho melhor
do que os algoritmos NMF na separa cao cega dos sinais, alem de melhorar a SIR à
cada janela temporal
136
Tabela 5.8: Largura à meia altura das rota coes, das marca coes (raw-data) e dos
componentes estimados, pelos algoritmos de NMF à cada janela temporal.
Raw-data Dist. Euclidiana Div. KL Dist. Euclidiana Div. KL Janela
Marcac ao 190
0
146,5 3,2 146,5 10,8 146,5 3,1 146,5 2,8 1
293,0 3,7 293,0 7,0 293,0 3,0 293,0 2,9
146,5 3,7 146,5 8,7 146,5 2,8 146,5 7,6 2
293,0 3,7 293,0 4,4 293,0 2,6 293,0 4,9
146,5 3,2 146,5 6,5 146,5 3,0 3
293,0 3,2 293,0 1,7
Marcac ao 205
0
99,6 11,0 99,6 7,0 99,6 3,0 99,6 7,7 1
99,6 11,0 99,6 11,0 99,6 12,4 99,6 10,8 99,6 10,5 2
120,1 8,5 120,1 7,7 120,1 10,4 120,1 6,1 120,1 3,8 3
Rudo proprio
304,7 5,7 304,7 3,1 304,7 4,7 1
304,7 5,7 304,7 3,5 304,7 4,1 304,7 0,8 2
304,7 3,3 304,7 6,5 304,7 9,8 304,7 2,3 3
Tabela 5.7: Largura à meia altura das rota coes, das marca coes (raw-data) e dos
componentes estimados, pelos algoritmos de ICA em cada janela temporal.
Raw-data FastICA JADE Newton-like FastICA JADE Newton-like Janela
Marcac ao 190
0
146,5 3,2 146,5 3,2 146,5 3,8 146,5 3,3 146,5 3,2 146,5 2,4 146,5 0,6 1
293,0 3,7 293,0 3,7 293,0 3,7 293,0 3,4 293,0 3,1 293,0 3,0 293,0 3,4
146,5 3,7 146,5 3,5 146,5 3,7 146,5 3,1 146,5 2,6 146,5 2,4 146,5 0,6 2
293,0 3,7 293,0 3,7 293,0 4,0 293,0 3,5 293,0 3,3,0 293,0 3,1 293,0 2,7
146,5 3,2 146,5 2,9 146,5 3,3 146,5 3,0 146,5 2,5 146,5 2,4 146,5 2,2 3
293,0 3,2 293,0 3,2 293,0 3,7 293,0 3,3 293,0 2,4 293,0 2,2 293,0 2,2
Marcac ao 205
0
99,6 11,0 99,6 10,4 99,6 11,0 99,6 10,3 99,6 10,8 99,6 9,9 99,6 9,9 1
99,6 11,0 99,6 10,4 99,6 10,5 99,6 10,9 99,6 10,6 99,6 9,7 99,6 9,7 2
120,1 8,5 120,1 8,3 120,1 7,9 120,1 8,1 120,1 3,0 120,1 4,2 120,1 3,9 3
Rudo proprio
304,7 5,7 304,7 5,7 304,7 5,7 304,7 7,7 304,7 6,3 304,7 6,4 304,7 6,4 1
304,7 5,7 304,7 5,7 304,7 4,1 304,7 7,4 304,7 6,2 304,7 6,4 304,7 6,4 2
304,7 3,3 304,7 3,2 304,7 3,2 304,7 3,2 304,7 3,0 304,7 3,4 304,7 3,3 3
5.2.3 Analise da estacionaridade
Os sinais de sonar passivo sao nao estacionarios, devido as caractersticas do ambi-
ente ac ustico submarino e as condi coes externas (vento, condi coes climaticas, etc.).
Devido a isto, se faz necessario a monitoriza cao, destes sinais, para que toda vez
que ocorra uma mudan ca nas estatsticas, dos sinais, a matriz de separa cao seja atu-
alizada. Uma forma de implementar esta monitora cao e atraves de agrupamento,
dos espectros das analises, utilizando redes neurais [67]. Este agrupamento pode ser
baseado em um treinamento nao supervisionado.
A ideia central e fazer um sistema que realize o agrupamento dos espectros, das
137
analises, DEMON e LOFAR, e observar quando ocorre uma mudan ca na estatstica.
A analise da estacionaridade foi realizada com os espectros da analise DEMON,
sendo possvel aplicar o mesmo criterio nos espectros da analise LOFAR.
Cada espectro da analise DEMON tem 513 bins de frequencias. Foi realizada
uma analise de componentes principais (PCA) [18] e [68], com o objetivo de fazer
uma redu cao na dimensao dos dados. A Figura, 5.98, mostra a curva de energia
acumulada. Desta forma, o processo de agrupamento pode ser realizado projetando
os dados somente em dois componentes.
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
75
80
85
90
95
100
Nmero de componentes
E
n
e
r
g
i
a

a
c
u
m
u
l
a
d
a
Figura 5.98: Energia acumulada.
Para o agrupamento, foi utilizada uma rede ART modicada (Adaptive Re-
sonance Theory) [69]. O treinamento e competitivo e baseado em uma camada
de Kohonen, adicionando um neuronio para cada novo padrao de entrada. Os
parametros de controle sao, o raio de vigilancia do agrupamento e da taxa de apren-
dizagem. O raio de vigilancia e denido pelo valor mais provavel, obtido, a partir
da medi cao da distancia Euclidiana de todos os padroes de entrada de dados.
O modelo conceitual do agrupamento consiste em:
Informa coes obtidas do operador sonar, mostram que os sinais de sonar pas-
sivo devem ser avaliados a cada 10 segundos para a verica cao das altera coes
estatsticas. Como a analise DEMON apresenta uma realiza cao a cada 500
ms, entao, se faz necessario a aquisi cao de 20 espectros, que corresponde aos
10 segundos;
Como a dimensao dos dados e elevada, uma PCA foi utilizada para reduzir
138
esta dimensao;
Os agrupamentos sao formados a partir destas 20 realiza coes;
Mudan ca no n umero de agrupamentos sao avaliadas, em conjunto com as
mudan cas dos possveis centro dos agrupamentos; e
Mudan ca na estatsticas sao, entao, identicadas.
Agrupar e criar um neuronio para cada conjunto de espectros, semelhantes, entre
cada padrao de entrada. A Figura 5.99, mostra a evolu cao do n umero de agrupamen-
tos. Esta informa cao mostra que existe, um ou mais de um novo grupo para cada
agrupamento para cada observa cao. Pode ser observado que ocorreu uma grande
varia cao da observa cao 7 para a 8, pelo fato de que o n umero de agrupamentos
passou de 3 para 5. Isto mostra uma forte indica cao de que ocorreu uma mudan ca
signicativa das estatsticas dos espectros dos sinais.
1 2 3 4 5 6 7 8 9 10
2
2.5
3
3.5
4
4.5
5
Oservao
N
m
e
r
o

d
e

a
g
r
u
p
a
m
e
n
t
o
s
Figura 5.99: N umero de grupos apos a observa cao de cada agrupamento.
5.2.4 Classicacao de contatos
Uma parte importante, no processamento, de um sistema de sonar passivo e a rea-
liza cao da classica cao de um contato apos a detec cao, do mesmo, em uma deter-
minada dire cao de interesse. Neste trabalho, o classicador foi desenvolvido usando
redes neurais. Atraves da analise LOFAR, que e baseada na estima cao espectral,
as caractersticas relevantes dos contatos sao apresentadas, tais como, rudo de vi-
139
bra cao e de maquinario, que permite o treinamento da rede para a classica cao do
contato.
Dependendo da resolu cao na estima cao da dire cao de chegada e da posi cao que o
contato se encontra, em rela cao aos outros contatos que est ao no cenario de opera cao,
a interferencia entre estes contatos pode acontecer, contaminado os sinais que estao
sendo adquiridos e tornando ainda mais difcil a classica c ao por parte do operado
sonar.
A ideia e utilizar um sistema de classica cao automatico com o proposito de
apoiar o operador sonar na decisao de identicar um contato, especialmente na pre-
sen ca de m ultiplos alvos. Neste trabalho, foram usados apenas dois contatos, que
serviram como um indicativo de possibilidade de classica cao de m ultiplos alvos.
Com o objetivo de melhorar a classica cao, algoritmos de separa cao cega de fontes
foram utilizados, de forma à minimizar a interferencia entre os contatos. Os algorit-
mos foram aplicados apos a analise LOFAR, como um passo no pre-processamento
da classica cao, tanto no treinamento da rede quanto na classica cao, de forma a
recuperar as caractersticas relevantes dos contatos que devem ser classicados.
Classicador Neural
Foram utilizados sinais experimentais de duas marca coes, 190 e 205 que estao
sofrendo a interferencia cruzada todo o tempo, alem do rudo proprio. Re-
sultados foram obtidos a partir dos espectros, de 2.048 bins de frequencia, da
analise LOFAR de cada uma das marca coes. Cada uma das marca coes tem
um tempo aproximado de 180 segundos. Como, cada janela temporal tem 6
ms, isto resulta num total de 3000 janelas temporais para cada uma das
marca coes.
As janelas temporais, de cada uma das marca coes foram divididas em tres
conjuntos: treinamento, valida cao e teste. Os espectros, da analise LOFAR
de cada uma das marca coes, foram escolhidos de forma alternada, pares e
mpares.
Para que pudesse ser feito uma avalia cao do pre-processamento, usando a
separa cao cega de fontes, o classicador neural foi treinado usando os espectros
da analise LOFAR, sem e com o pre-processamento usando os algoritmos de
BSS.
Foi calculado um espectro medio, a partir, da janela temporal da analise de
cada uma das marca coes, conforme e mostrado na Figura 5.100. Pode-se ob-
servar uma semelhan ca entre os espectros de cada uma das classes. Entao,
algoritmos de BSS foram aplicados nestes espectros com o objetivo de me-
lhorar as caractersticas de cada uma das classes, melhorando, desta forma, a
eciencia na classica cao.
140
0 2000 4000 6000 8000 10000 12000 14000 16000
30
20
10
0
10
20
Frequncia (Hz)
E
n
e
r
g
i
a

(
d
B
)

0 2000 4000 6000 8000 10000 12000 14000 16000
20
10
0
10
20
Frequncia (Hz)
E
n
e
r
g
i
a

(
d
B
)

Marcao 190
Marcao 205
Figura 5.100: Espectro medio da analise LOFAR de cada uma das marca coes.
Tabela 5.9: N umero de neuronios na camada escondida em rela cao ao melhor ndice
SP de cada algoritmo.
Pre-processamento Neuronios SP 100
LOFAR 6 84,60
LOFAR+FastICA 4 99,74
LOFAR+JADE 4 98,44
LOFAR+Newton-like 3 99,97
LOFAR+dist. Euc. 5 91,15
LOFAR+div. KL 5 88,56
A escolha do n umero de neuronios na camada escondida dos classicadores
foi realizada de maneira iterativa. Inicialmente, uma rede neural com uma
unica camada escondida e dois neuronios foi treinada e a eciencia, da rede,
foi estimada atraves do ndice SP. Novos neuronios foram sendo adiciona-
dos à camada escondida e o treinamento recome cava ate que o ndice SP se
estabilizasse proximo ao seu maximo [65]. A Tabela 5.9 mostra o n umero de
neuronios para cada um dos classicadores com os seus respectivos ndices SP.
Pode ser observado que o pre-processamento usando o algoritmo Newton-like
obteve um melhor ndice SP com um menor n umero de neuronios na camada
escondida.
As Figuras de 5.101 a 5.105 mostram os espectros da analise LOFAR referentes
a cada um dos componentes estimados, pelos algoritmos de separa cao cega.
Pode ser observado que os algoritmos de ICA, realizaram a estima cao, dos
componentes, de maneira mais ecaz do que os algoritmos de NMF.
141
0 2000 4000 6000 8000 10000 12000 14000 16000
40
20
0
20
E
n
e
r
g
i
a

(
d
B
)
Frequncia (Hz)

0 2000 4000 6000 8000 10000 12000 14000 16000
60
40
20
0
E
n
e
r
g
i
a

(
d
B
)
Frequncia (Hz)

Componente 190
Marcao 190
Componente 205
Marcao 205
Figura 5.101: Espectro medio da analise LOFAR de cada componente estimado pelo
algoritmo FastICA.
0 2000 4000 6000 8000 10000 12000 14000 16000
40
30
20
10
0
10
E
n
e
r
g
i
a

(
d
B
)
Frequncia (Hz)

0 2000 4000 6000 8000 10000 12000 14000 16000
40
20
0
20
E
n
e
r
g
i
a

(
d
B
)
Frequncia (Hz)

Componente 190
Marcao 190
Componente 205
Marcao 205
algoritmo JADE.
142
0 2000 4000 6000 8000 10000 12000 14000 16000
30
20
10
0
10
20

0 2000 4000 6000 8000 10000 12000 14000 16000
60
40
20
0
20

Componente 205
Marcao 205
Componente 190
Marcao 190
algoritmo Newton-like.
0 2000 4000 6000 8000 10000 12000 14000 16000
50
40
30
20
10
0
10

0 2000 4000 6000 8000 10000 12000 14000 16000
40
20
0
20

Componente 205
Marcao 205
Componente 190
Marcao 190
algoritmo NMF, usando a distancia Euclidiana como fun cao custo.
143
0 2000 4000 6000 8000 10000 12000 14000 16000
50
40
30
20
10
0
10
E
n
e
r
g
i
a

(
d
B
)
Frequncia (Hz)

0 2000 4000 6000 8000 10000 12000 14000 16000
20
10
0
10
20
E
n
e
r
g
i
a

(
d
B
)
Frequncia (Hz)

Componente 205
Marcao 205
Componente 190
Marcao 190
algoritmo NMF, usando a divergencia de Kullback-Leibler como fun cao custo.
A Figura, 5.106(a), apresenta a sada da rede neural, utilizando apenas os
espectros obtidos pela analise LOFAR, mostrando que as classes estao mis-
turadas. Isto signica que a analise LOFAR, sem nenhum processamento,
nao e suciente para a separa cao das classes de maneira eciente. Este fato,
pode ser comprovado pelo baixo valor do produto SPmostrado atraves da
curva ROC, Figura 5.106(b). Nesta Figura, pode ser observado que o ponto
cujo o valor de SP e maximo se encontra distante do eixo de probabilidade
de detec cao. Entao, foi realizado um processamento posteriormente a analise
LOFAR, usando os algoritmos de separa cao cega de fontes, com o objetivo de
melhorar o desempenho na classica cao das classes.
144
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
10
0
10
1
10
2
Sada do classificador
O
c
o
r
r
n
c
i
a

Marcao 190
Marcao 205
(a) Sada do classicador neural utilizando os espectros da analise LOFAR.
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100
SP: 0.8460
Pd: 0.8694
Pf: 0.1771
D
e
t
e
c
o

(
%
)
Falso Alarme (%)
(b) Curva ROC do classicador.
Figura 5.106: Classica cao utilizando os espectros da analise LOFAR.
145
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
10
0
10
1
10
2
10
3
O
c
o
r
r
e
n
c
i
a

Marcao 190
Marcao 205
(a) Sada do classicador neural, utilizando os espectros da analise LOFAR, processados
pelo algoritmo FastICA.
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100
SP: 0.9974
Pd: 0.9971
Pf: 0.0024
D
e
t
e
c
o

(
%
)
Falso alarme (%)
Figura 5.107: Classica cao utilizando o algoritmo FastICA como pos-processamento
dos espectros da analise LOFAR.
146
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
10
0
10
1
10
2
10
3
O
c
o
r
r
e
n
c
i
a

Marcao 190
Marcao 205
(a) Sada do classicador neural, utilizando os espectros da analise LOFAR processados pelo
algoritmo JADE.
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100
SP: 0.9844
Pd: 0.9935
Pf: 0.0247
D
e
t
e
c
o

(
%
)
Falso alarme (%)
Figura 5.108: Classica cao utilizando o algoritmo JADE como pos-processamento
dos espectros da analise LOFAR.
147
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
10
0
10
1
10
2
10
3
Saida do classificador
O
c
o
r
r
e
n
c
i
a

Marcao 190
Marcao 205
algoritmo Newton-like.
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100
SP: 0.9997
Pd: 1.0000
Pf: 0.0006
D
e
t
e
c
o

(
%
)
Falso alarme (%)
Figura 5.109: Classica cao utilizando o algoritmo Newton-like como pos-
processamento dos espectros da analise LOFAR.
148
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
10
0
10
1
10
2
O
c
o
r
r
e
n
c
i
a

Marcao 190
Marcao 205
algoritmo NMF, usando como fun cao custo a distancia Euclidiana.
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100
SP: 0.9115
Pd: 0.9424
Pf: 0.1188
D
e
t
e
c
o

(
%
)
Falso alarme (%)
Figura 5.110: Classica cao utilizando o algoritmo NMF, com a distancia Euclidiana
como fun cao custo, nos espectros da analise LOFAR.
149
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
10
0
10
1
10
2
O
c
o
r
r
e
n
c
i
a

Marcao 190
Marcao 205
algoritmo NMF, usando como fun cao custo a divergencia de Kullback-Leibler.
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100
SP: 0.9115
Pd: 0.9424
Pf: 0.1188
D
e
t
e
c
o

(
%
)
Falso alarme (%)
Figura 5.111: Classica cao utilizando o algoritmo NMF, com a divergencia de
Kullback-Leibler como fun cao custo, nos espectros da analise LOFAR.
A Tabela 5.10 mostra um resumo do desempenho, obtido para cada um dos
classicadores, atraves do ndice SP otimo. Pode ser observado que o classi-
cador que obteve a maior eciencia foi aquele cujo os espectros foram proces-
sados pelo algoritmo Newton-like.
150
Tabela 5.10: Eciencia da discrimina cao obtida por cada um dos classicadores.
Processamento SP 100 Eciencia classe 1 Eciencia classe 2
LOFAR 84,60 86,94 82,29
LOFAR+FastICA 99,74 99,71 99,76
LOFAR+JADE 98,44 99,35 97,53
LOFAR+Newton-like 99,97 100 99,94
LOFAR+Dist. Euc. 91,15 94,24 88,12
LOFAR+Div. KL 88,56 89,95 87,47
151
Captulo 6
Conclusoes e Trabalhos Futuros
Sistemas de sonar passivo sao importantes em diversas areas de ac ustica submarina,
tanto em aplica coes civis quanto em militares. Em muita das vezes, os sinais do
sistema de sonar passivo estao suscetveis à interferencia cruzada de fontes ac usticas
presentes em diferentes dire coes de interesse e do rudo ambiente que, em deter-
minadas situa coes, esta presente com grande intensidade. Alem disto, o rudo da
propulsao do navio onde o conjunto de hidrofones estao instalados, tambem pode in-
terferir nos sinais provenientes dos alvos, empobrecendo a eciencia da classica cao
e identica cao dos alvos. A separa cao cega de fontes e um metodo utilizado para
o processamento de sinais, que visa a recupera cao de fontes dos sinais de interesse,
a partir de suas versoes misturadas. Neste trabalho, foram utilizados a analise de
componentes independentes (ICA) e a fatora cao de matrizes nao negativas (NMF)
para a realiza cao da separa cao.
A ideia de se usar a separa cao cega de fontes e melhorar as analises que sao
realizadas pelo sistema de sonar passivo, ajudando, desta forma, ao operador de
sonar na detec cao e classica cao de contatos. Por isto, se faz necessario aumentar
a complexidade nos sistemas de sonar passivo, tornando-os mais autonomos para a
realiza cao da detec cao e classica cao dos contatos. O objetivo e que o sistema de
sonar passivo possa mostrar com mais clareza as caractersticas dos alvos a serem
detectados.
A ideia neste trabalho foi utilizar dados simulados para vericar o compor-
tamento da separa cao cega, tanto no domnio do tempo quanto no domnio da
frequencia, para ver onde a separa cao tem melhor ecacia, alem de vericar qual
algoritmo tem melhor desempenho nestes domnios.
Apos esta analise com os dados simulados, foram utilizados dados experimentais
adquiridos em um sistema de sonar passivo, que esta instalado nos submarinos, da
Marinha do Brasil, com o objetivo de vericar o comportamento dos algoritmos e
das tecnicas utilizadas quando se esta trabalhando com dados reais.
Medidas de desempenho foram utilizadas para avaliar, as analises e os algoritmos,
152
tanto no caso dos dados simulados quanto dos dados experimentais. Pode-se concluir
que os algoritmos de ICA, Newton-like e JADE, no domnio da frequencia, tiveram
um desempenho melhor do que os algoritmos de NMF.
Esperava-se uma melhor performance dos algoritmos de NMF, pelo fato deles
nao terem a restri cao da independencia entre os componentes. Porem, a medida que
a SIR come cava diminuir nos contatos, no caso dos dados simulados, os algoritmos
de NMF, tanto no domnio de tempo quanto no domnio da frequencia, come cavam
a misturar os sinais.
Outro ponto importante neste trabalho, foi a monitora cao da estacionaridade
dos sinais da analise DEMON, utilizado o metodo de agrupamento para a veri-
ca cao da mudan ca da estatstica dos sinais para a realiza cao da atualiza cao da
matriz de separa cao. Um sistema usando redes neurais nao supervisionadas teve
um desempenho para esta monitora cao.
Foi tambem proposto uma opera cao do sistema que monitora, tanto as analises
DEMON e LOFAR para ver a necessidade da aplica cao dos metodos de separa cao
cega.
6.1 Trabalhos Futuros
Poderao ser desenvolvimentos novos algoritmos de separa cao cega aplicados à sinais
de sonar passivo com as seguintes vertentes:
ICA com rudo;
ICA aplicando misturas convolutivas;
NMF utilizando outras divergencias.
Alem disto, um estudo mais detalhado do rudo ambiente poder a ser realizado
para que, este rudo, seja colocado como mais um fonte no modelo de separa cao
cega, podendo melhorar ainda mais a SIR entre os sinais.
Finalmente, desenvolver um sistema que possa ser instalado e operar, nas analises
DEMON e LOFAR, nos submarinos da Marinha do Brasil para que o sistema de
sonar passivo tenha maior robustez na detec cao e classica cao de contatos.
153
Referencias Bibliogracas
[1] JOHNSON, D. H., DUDGEON, D. E., Array Signal Processing: Concepts and
Techniques. Prentice Hall Signal Processing Series, 1993.
[2] NIELSEN, R. O., Sonar Signal Procesing. Artech House Inc, Nortwood, 1991.
[3] FAN, W., ZHANG, X., JIANG, B., A New Passive Sonar Bearing Estimation
Algorithm Combined with Blind Source Separation, Computational Sci-
ences and Optimization, International Joint Conference on, v. 1, pp. 15
18, 2010.
[4] Silva, S. R. (ed.), Advances in Sonar Technology. 1 ed. InTech, February 2009.
[5] BURDIC, W. S., Underwater Acoustic System Analysis. Prentice-Hall, 1984.
[6] URICK, R., Principles of Underwater Sound for Engineers. McGraw-Hill, 1983.
[7] KRIM, H., VIBERG, M., Two decades of array signal processing research:
The parametric approach, IEEE Signal Procesing Magazine, v. 13, n. 4,
pp. 6794, July 1996.
[8] DINIZ, P. S. R., SILVA, E. A. B. D., NETTO, S. L., Digital Signal Processing:
System Analysis an Design. Cambridge University Press, 2002.
[9] BRIGHAM, E., Fast Fourier Transform and its Application. Prentice Hall Signal
Processing Series, 1988.
[10] STRUZINSKI, W. A., LOWE, E. D., A Performance Comparison of Four
Noise Background Normalization Schemes for Signal Detection Systems,
J. Acoust. Soc. Am., v. 76, n. 6, pp. 17381742, Dec. 1984.
[11] STRUZINSKI, W. A., LOWE, E. D., The Eect of Improper Normalization
on Performance of an Automated Energy Detector, J. Acoust. Soc. Am.,
v. 78, n. 3, pp. 936941, September 1985.
[12] L., H., TREES, V., Detection, Estimation and Modulation Theory, Part I. John
Wiley and Sons, Inc., 2001.
154
[13] FILHO, W. S., SEIXAS, J. M., MOURA, N. N., Preprocessing Passive Sonar
Signals for Neural Classication, IET Radar, Sonar and Navigation, v. 5,
n. 6, pp. 605612, July 2011.
[14] MOURA, N. N. D., FILHO, W. S., SEIXAS, J. M. D., Classica cao Neural de
Sinais de Sonar Passivo com base em Componentes Independentes, VIII
Congresso Brasileiro de Redes Neurais, , outubro 2007.
[15] MOURA, N. N., CAL
OBA, L. P., SEIXAS, J. M., Classica cao Neural de

Sinais de Sonar Passivo, XVII Congresso Brasileiro de Autom atica, pp.
16, Setembro 2008.
[16] HAYKIN, S., Neural Networks, A Comprehensive Foundation. Prentice Hall,
segunda edi cao, 1999.
[17] TORRES, R. C., SEIXAS, J. M. D., FILHO, W. S., Classica cao de sinais de
sonar passivo utilizando componentes principais nao-lineares, Learning
and nonlinear models, v. 1, n. 4, pp. 208222, 2004.
[18] W., S.-F., MANOEL DE SEIXAS, J., PEREIRA CALOBA, L., Principal
component analysis for classifying passive sonar signals, ISCAS, v. 3,
pp. 592595, May 2001.
[19] PEYVANDI, H., FAZAEEFAR, B., AMINDAVAR, H., Determining class of
underwater vehicles in passive sonar using hidden Markov with Haus-
dor similarity measure, Proceedings of International Symposium on Un-
derwater Technology, pp. 258261, April 1998.
[20] L.MARPLE, BROTHERTON, T., Detection and classication of short dura-
tion underwater acoustic signals by Prony method, International Con-
ference on Acoustics, Speech, and Signal Processing, v. 2, pp. 13091312,
May 1991.
[21] ROSS, D., Mechanics of Uderwater Noise. New York: Pergamon Press, 1976.
[22] OJA, A. H. E., Independent Component Analysis: Algorithms and Applicati-
ons, Neural Networks, v. 4, n. 13, pp. 411430, 2000.
[23] CICHOCKI, A., ZDUNEK, R., AMARI, S.-I., Csiszars Divergences for Non-
negative Matrix Factorization: Family of New Algorithms, Proceedings of
Sixth International Conference on Independent Component Analysis and
Blind Source Separation, Charleston, SC, pp. 58.
[24] HYV
ARINEN, A., KARHUNEN, J., OJA, E., Independent Component Analy-

sis, September 2001.
155
[25] CICHOCKI, A., ZDUNEK, R., PHAN, A. H., et al., Nonnegative Matrix and
Tensor Factorizations Applications to Exploratory Multi-way Data Analy-
sis and Blind Source Separation, 2009.
[26] ANS, B., H
ERAULT, J., Circuits neuronaux à synapses modiables: decodage

de messages composites par apperentissage non supervise, C. R. De
lAcademie des Sciences, v. III, n. 13, pp. 525528, 1984.
[27] ANS, B., H
ERAULT, J., JUTTEN, C., Adaptive neural architectures: de-

tection of primitives. Independent Componente Analysis, Proceedings of
Cognitiva85, pp. 593597, Paris, France 1994.
[28] ANS, B., H
ERAULT, J., JUTTEN, C., Detection de grandeurs primitives dans

une message composite par une architecture de calcul nuromimetique en
appentissage non supervise, Actes du Xème col loque GRETSU, pp. 1017
1022, Nice, France 1985.
[29] JUTTEN, C., H
ERAULT, J., Blind separation of sources, part I: An an dap-

tive algorithm based on neuromimatic architecture, Signal Processing,
v. 24, n. 1, pp. 110, 1991.
[30] CARDOSO, J. F., Blind identication of independent signals, Workshop on
Higher-Order Spectral Analysis, , Vail, Colorado 1989.
[31] COMMON, P., Separation of Stochastic Processes, Workshop on Higher-
Order Spectral Analysis, pp. 174179, Vail, Colorado 1989.
[32] COMMON, P., Separation of sources using high-order cuulants, SPIE Con-
ference on Advanced Algorithms and Architectures for Signal Processing,
v. XII, pp. 170181, San Diego 1989.
[33] COMMON, P., Independent Component Analysis, A new concept, Signal
Processing, v. 36, pp. 287314, 1994.
[34] BELL, A. J., SEJNOWSKI, T. J., The Independent Components of natural
scenes are edge lters, Vision Researh, v. 37, n. 23, pp. 33273338, 1997.
[35] HYVARINEN, A., Fast and Robust Fixed-Point Algorithms for Independent
Component Analysis, IEE Transactions on Neural Networks, v. 10, n. 3,
pp. 626634, 1999.
[36] CARDOSO, J. F., Blind Signal Separation: Statistical and Principles, Pro-
ceedings of the IEEE, v. 10, n. 10, pp. 20092025, October 1998.
156
[37] A. PAPOULIS, S. U. P., Probability, Random Variables and Stochastic Process.
McGraw-Hill, 2002.
[38] SPIEGEL, M. R., SCHILLER, J. J., SRINIVASAN, R. A., Probability and
Statistic. McGraw Hill - 2 ed., 2000.
[39] HYVARINEN, A., KARHUNEN, J., OJA, E., Independent Component
Analysis: Algorithms and Applications, Helsinki University of Techno-
logy, Neural Networks, v. 13, n. 4-5, pp. 411430, 2000.
[40] KIM, T. H., WHITE, H., On more robust estimation of skewness and kurtosis,
Financial Research Letters, v. 1, pp. 5673, 2004.
[41] WELLING, M., Robust higher order statistic, Proceedings of the Tenth Inter-
national Workshop on Articial Intel ligence and Statistics, pp. 405412,
january 2005.
[42] COVER, T. M., THOMAS, J. A., Elements of Information Theory. John Wiley
and Sons, New York, 1991.
[43] SHANNON, C. E., A mathematical theory of communication, he Bel l System
Technical Journal, pp. 379423, July 1948.
[44] GEORGIEV, P., RALESCU, A., RALESCU, D., Cross-cumulants measure for
independence, Journal of Statistical Planning and Interference, v. 137,
pp. 10851098, 2006.
[45] CARDOSO, J. F., High-order constrast for independent component analysis,
Neural Computation, v. 11, n. 1, pp. 157192, 1999.
[46] WEGMAN, E. J., Maximum likelihood estimation of a probability density
function, Sanhya: The Indian Journal of Statistic, , n. 37, pp. 211224,
1975.
[47] GRENANDER, U., Abstract Inference (Probability and Mathematical Statis-
tics). John Wiley and Sons, 1981.
[48] PARZEN, E., On estimation of a probability density function and mode,
Annals of Mathematical Statistics, v. 33, n. 3, pp. 10651076, September
1962.
[49] SILVERMAN, B., Density Estimation for Statistic and Data Analysis. London
Chapman & Hall, 1986.
157
[50] TAYLOR, C. C., Bootstrap choice of the smoothing parameter in kernel den-
sity estimation, Biometrika, v. 76, n. 4, pp. 705712, 1989.
[51] SHAOLIN, L., SEJNOWSKI, T., Adaptive Separation of mixed Broadband
Sound Sources with Delays by a Beamforming Herault-Jutten Network,
IEEE Journal of Oceanic Engineering, v. 20, pp. 7379, 1995.
[52] YAN, D. P., J.PEACH, Comparison of Blind Souce Separation Algorithms,
Advances in Neural Networks and Applications, pp. 1821, 2000.
[53] AKUZAWA, T., MURATA, N., Multiplicative Nonholonomic Newton-like Al-
gorithm., Chaos, Solutions and Fractals, v. 12, n. 4, pp. 785793, January
2001.
[54] AKUZAWA, T., New Fast Factorization Method for Multivariate Optimaza-
tion and its Realization as ICA Algorithm, Proceedindgs of International
Conference on Independent Component Analysis and Sginal Separation
(ICA 2001). San Diego, California, v. 9, n. 13, pp. 114119, December
2001.
[55] AKUZAWA, T., Extended Quasi-Newton Method for ICA, Proc. Int.
Workshop Independent Component Analysis. Blind Source Separation, pp.
521525, 2000.
[56] LEE, D. D., SEUNG, S. H., Learning the parts of objects by non-negative
matrix factorization, Nature, v. 401, pp. 788791, October 1999.
[57] SMITH, L. I., A tutorial on Principal Components Analysis, february 2002.
[58] GRAY, R. M., Vector Quantization, IEEE ASSP Magazine, pp. 429, April
1984.
[59] BERRY, M., BROWNE, M., LANGVILLE, A., et al., Algorithms and applica-
tions for approximate nonnegative matrix factorization, Computational
Statistics and Data Analysis, v. 1, pp. 155173, 2007.
[60] LEE, D. D., SEUNG, H. S., Algorithms for Non-negative Matrix Fac-
torization, In Advances Neural Information Processing, v. 13 (Proc.
NIPS*2000). MIT Press, 2001.
[61] F
EVOTTE, C., IDIER, J., Algorithms for nonnegative matrix factorization

with the -divergence, Available: http://hal.archives-ouvertes.fr/hal-
00522289/fr/, v. Online, 2010.
158
[62] F
EVOTTE, C., BERTIN, N., DURRIEU, J.-L., Nonnegative matrix factoriza-

tion with the Itakura-Saito divergence. With application to music analy-
sis, Neural Computation, v. 21, n. 3, pp. 793830, March 2009.
[63] MOURA, N. N. D., SEIXAS, J. M. D., RAMOS, R. R., Passive Sonar Signal
Detection and Classication Based on ICA, chapter 5, In: N. Z. Kolev
(Org.). Sonar Systems. IN-TECH, pp. 93104, 2011.
[64] RIEDMILLER, M., BRAUN, H., A direct adaptive method for faster back-
ground learning, the RPROP algorithm, Proc. of Int. Conf. on Neural
Networks, pp. 586591, 1993.
[65] FILHO, E. F. S., MOURA, N. N. D., SEIXAS, J. M. D., Neural Passive
Sonar Classication using Indpendent Component Ana;ysis, X Congresso
Brasileiro de Inteligencia Computacional (CBIC 2011), , Novembro 2011.
[66] ANJOS, A. D., TORRRES, R., SEIXAS, J., Neural triggering system ope-
rating on high resolution calorimetry information, Nuclear Instruments
and Methods in Physics Research, , n. 1, pp. 134138, 2006.
[67] RAMOS, R. R., Redes Neurais para Monitoracao de Estacionaridade de si-
nais de sonar passivo SINAIS DE SONAR PASSIVO. M.Sc. dissertation,
Universidade Federal do Rio de Janeiro, 2011.
[68] CHIN-HSING, LEE, J.-D., LIN, M.-C., Classication of Underwater Signlas
Using Neural Networks, Tamkang Journal of Science and Engineering,
v. 3, n. 1, pp. 3148, 2000.
[69] VASSALI, M. R., SEIXAS, J. M., CAL
OBA, L. P., A Neural Particle Dis-

criminator based on a Modied ART Architecture, IEEE International
Symposium on Circuits and Systems, v. 2, pp. 121124, May 2002.
Appendix
159
Apendice A
Trabalhos Publicados
Apresenta cao de Trabalhos
1. Moura, N. N.; Igor Paladino; J. M. Seixas. Non-Negative Matrix Facto-
rization for Improving Passive Sonar Signal Detection. 2011. X Congresso
Brasileiro de Inteligencia Computacional.
2. E. F. Simas Filho; Moura, N. N.; J. M. Seixas . Neural Passive Sonar Signal
Classication using Independent Component Analysis. 2011. X Congresso
Brasileiro de Inteligencia Computacional.
3. Ricardo Ramos; Moura, N. N.; J. M. Seixas. Monitora cao da Estacionari-
dade de Sinais de Sonar Passivo. 2011. X Encontro de Tecnologia em Ac ustica
Submarina.
4. E. F. Simas Filho; Moura, N. N.; J. M. Seixas. Classicadores Neural de
Sinais de Sonar Passivo usando Separa cao Cega de Sinais como Processamento.
2011. X Encontro de Tecnologia em Ac ustica Submarina.
5. Moura, N. N.; Igor Paladino; J. M. Seixas . Fatora cao de Matrizes nao
Negativas para a Separa cao Cega de Fontes em Sinais de Sonar Passivo. 2011.
X Encontro de Tecnologia em Ac ustica Submarina.
6. Moura, N. N.; J. M. Seixas. Passive Sonar Signal Detection using Indepen-
dent Component Analysis as Preprocessing. 2010. 39th International Congress
and Exposition on Noise Control Engineering.
7. Moura, N. N.; E. F. Simas Filho; J. M. Seixas. Narrow band Short-Time
Frequency- Domain Blind Signal Separation of Passive Sonar Signals. 2009.
8th Conference on Independent Component Analysis.
160
8. Moura, N. N.; W. Soares Filho; J. M. Seixas. Classica cao Neural de Si-
nais de Sonar Passivo com Base em Componentes Independentes. 2009. VIII
Encontro de Tecnologia em Ac ustica Submarina.
9. Moura, N. N.; Felipe F. Grael; J. M. Seixas. Detec cao e Classica cao de
Sinais de Sonar Passivo usando Redes Neurais. 2009. VIII Encontro de Tec-
nologia em Ac ustica Submarina.
10. Moura, N. N.; Caloba; J. M. Seixas. Classica cao neural de sinais de sonar
passivo. 2008. XVII Congresso Brasileiro de Automatica.
11. Moura, N. N.; J. M. Seixas; W. Soares Filho; Ana Greco. Independent
Component Analysis for Optimal Passive Sonar Signal Detection. 2007. In-
ternational Conference on Intelligent Systems Design and Applications.
12. Moura, N. N.; E. F. Simas Filho; J. M. Seixas; Ana Greco. Analise DEMON
sobre Fontes Independentes do Sinal de Sonar Passivo. 2007. VI Encontro de
Tecnologia em Ac ustica Submarina.
Trabalhos Publicados em Jornais/Revistas
1. E. F. Simas Filho; J. M. Seixas; Moura, N. N.; Haddad, D. B.; Faier, J.
M.; Maria C. S. Albuquerque. Independent Component Analysis and Blind
Signal Separation: Theory, Algorithms and Applications. 2012. Learning and
Nonlinear Models Journal of the Brazilian Neural Network Society, vol. 10,
Iss. 1, p. 51 - 69.
2. W. Soares Filho; J. M. Seixas; Moura, N. N.. Preprocessing Passive Sonar
Signals for Neural Classication. 2011. vol. 5, number: 6. IET Radar Sonar
and Navigation, General Articles, p. 605 - 612.
3. Moura, N. N.; J. M. Seixas; W. Soares Filho. Classica cao Neural de Sinais
de Sonar Passivo com Base em Componentes Independentes. Learning and
Nonlinear Models (1676-2789), p. 10 - 19, 14 mar. 2009.
Captulo de Livros Publicados
1. Moura, N. N.; J. M. Seixas; Ricardo Ramos. Passive Sonar Signal Detection
and Classication Based on ICA.. In: Z. Kolev. (Org.). Sonar Systems. :
Intech, 2011, p. 93-104.
2. Moura, N. N.; E. F. Simas Filho; J. M. Seixas. Independent Component
Analysis for Passive Sonar System Processing. In: Sergio Rui Silva. (Org.).
Advances in Sonar Tecnology. Viena: Intech, 2009, p. 91-110.
161

Tese Moura

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tese Moura

Enviado por

Direitos autorais:

Formatos disponíveis

COPPE/UFRJ

ARIOS PARA A OBTENC

Indice de desempenho utilizados nos espectros da analise DEMON:

Indice de desempenhos utilizados nos espectros da analise LOFAR:

Indice Contato FastICA JADE Newton-like FastICA JADE Newton-like Janela

OBA, L. P., SEIXAS, J. M., Classica cao Neural de

ARINEN, A., KARHUNEN, J., OJA, E., Independent Component Analy-

ERAULT, J., Circuits neuronaux `a synapses modiables: decodage

ERAULT, J., JUTTEN, C., Adaptive neural architectures: de-

ERAULT, J., JUTTEN, C., Detection de grandeurs primitives dans

ERAULT, J., Blind separation of sources, part I: An an dap-

EVOTTE, C., IDIER, J., Algorithms for nonnegative matrix factorization

EVOTTE, C., BERTIN, N., DURRIEU, J.-L., Nonnegative matrix factoriza-

OBA, L. P., A Neural Particle Dis-

Você também pode gostar